Adding covariates to bounds: What is the question?
给识别界加入协变量：究竟要回答什么问题？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：摘要直接围绕因果效应的部分识别、协变量条件识别界及工具变量设定展开，因此最直接对应因果推断这一细分方向。
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…
给识别界加入协变量：究竟要回答什么问题？
- 研究问题
- 研究在因果效应的非参数部分识别中，加入辅助协变量后，逐点锐性与一致锐性分别意味着什么，以及二者之间如何联系。
- 方法与思路
- 作者明确界定协变量条件识别界的两种锐性概念，证明一般情形及工具变量情形的相关结果，并讨论条件化所依赖的设定与假设。
- 材料陈述的贡献
- 摘要称澄清了容易混淆的锐性概念及其关系，强调加入辅助协变量时应说明研究设定和假设，而不能仅凭界变窄判断其性质。
- 阅读关注点
- 应核对逐点和一致锐性的量词顺序、不同协变量取值下可行模型能否共同实现，以及工具变量结果需要哪些额外限制。
- 阅读边界
- 这是arXiv预印本，同行评审、期刊接收及刊本变化未核验；摘要未给出具体定理条件或界公式，不能判断某个实际识别界是否锐。
原文摘要
Symbolic nonparametric bounds for partial identification of causal effects now have a long history in the causal literature. Sharp bounds, bounds that use all available information to make the range of values as narrow as possible, are often the goal. For this reason, many publications have focused on deriving sharp bounds, but the concept of sharp bounds is nuanced and can be misleading. In settings with ancillary covariates, the situation becomes more complex. We provide clear definitions for pointwise and uniform sharpness of covariate-conditional bounds, that we then use to prove some general and some specific to the IV setting results about the relationship between these two concepts. As we demonstrate, general conditions are much more difficult to determine and thus, we urge authors to be clear when including ancillary covariates in bounds via conditioning about the setting of interest and the assumptions made.