Causal Inference with Treatment Measurement Error: A Nonparametric Instrumental Variable Approach
处理变量存在测量误差时的因果推断：非参数工具变量方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确处理测量误差和未观测混杂下的因果效应估计，并采用非参数工具变量方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
处理变量存在测量误差时的因果推断：非参数工具变量方法
- 研究问题
- 当连续处理变量受到测量误差污染，且同时存在未观测混杂时，如何扩展工具变量估计以恢复相应的因果效应？
- 方法与思路
- 作者推广工具变量框架，提出基于核的非参数估计方法 MEKIV，并讨论均值嵌入与特征函数之间可相互利用的学习联系。
- 材料陈述的贡献
- 摘要称 MEKIV 在经验比较中优于所选基准，并对测量误差强度及分布类型变化表现稳健，同时澄清两类函数表示的联系。
- 阅读关注点
- 应核对工具变量与测量误差的识别条件、观测信息要求、核估计的正则化过程，以及误差强度和分布变化的实验范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出完整识别条件或比较数值，所报告稳健性不能推广至任意误差结构。
原文摘要
We propose a kernel-based nonparametric estimator for the causal effect when the cause is corrupted by error. We do so by generalizing estimation in the instrumental variable setting. Despite significant work on regression with measurement error, additionally handling unobserved confounding in the continuous setting is non-trivial: we have seen little prior work. As a by-product of our investigation, we clarify a connection between mean embeddings and characteristic functions, and how learning one simultaneously allows one to learn the other. This opens the way for kernel method research to leverage existing results in characteristic function estimation. Finally, we empirically show that our proposed method, MEKIV, improves over baselines and is robust under changes in the strength of measurement error and to the type of error distributions.