Nonparametric Identification and Inference for Counterfactual Distributions with Confounding
存在混杂时反事实分布的非参数识别与推断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：摘要明确研究混杂下的潜在结果联合分布、分布界限及个体因果效应。
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…
关注这篇论文的作者
存在混杂时反事实分布的非参数识别与推断
- 研究问题
- 在可观测或未观测混杂存在时，如何识别潜在结果的联合分布，并对分布界限和个体层面的效应开展有效统计推断？
- 方法与思路
- 作者以条件 copula 收紧分布界限，处理极值算子的不可微性；另用工具变量学习潜在混杂表示，并构造三重机器学习估计。
- 材料陈述的贡献
- 摘要称其建立分布界限估计的渐近性质、潜在混杂子空间的识别结果，并刻画表示学习误差导致的方差膨胀与效率条件。
- 阅读关注点
- 分别核对秩保持、边际条件、单射性与完备性所支撑的结论；关注子空间识别如何转化为目标分布识别及交叉拟合实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实。摘要未给出完整识别条件、误差率和验证结果，不能视为一般混杂问题已解决。
原文摘要
We propose nonparametric identification and semiparametric estimation of joint potential outcome distributions in the presence of confounding. First, in settings with observed confounding, we derive tighter, covariate-informed bounds on the joint distribution by leveraging conditional copulas. To overcome the non-differentiability of bounding min/max operators, we establish the asymptotic properties for both a direct estimator with polynomial margin condition and a smooth approximation with log-sum-exp operator, facilitating valid inference for individual-level effects under the canonical rank-preserving assumption. Second, we tackle the challenge of unmeasured confounding by introducing a causal representation learning framework. By utilizing instrumental variables, we prove the nonparametric identifiability of the latent confounding subspace under injectivity and completeness conditions. We develop a ``triple machine learning" estimator that employs cross-fitting scheme to sequentially handle the learned representation, nuisance parameters, and target functional. We characterize the asymptotic distribution with variance inflation induced by representation learning error, and provide conditions for semiparametric efficiency. We also propose a practical VAE-based algorithm for confounding representation learning. Simulations and real-world analysis validate the effectiveness of proposed methods. By bridging classical semiparametric theory with modern representation learning, this work provides a robust statistical foundation for distributional and counterfactual inference in complex causal systems.