Towards a holistic understanding of Selection Bias for Causal Effect Identification
因果效应识别中的选择偏差：走向整体理解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：摘要直接研究选择偏差下总体平均处理效应的识别条件与识别边界。
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…
因果效应识别中的选择偏差：走向整体理解
- 研究问题
- 当观察样本因健康志愿者等选择机制偏离总体时，何种条件下仍能识别总体平均处理效应，而非只得到被选择人群的效应？
- 方法与思路
- 作者在概率类的较弱假设下刻画倾向得分与选择概率，研究平均处理效应的可识别性，并给出相应的必要和充分条件。
- 材料陈述的贡献
- 摘要称所得条件扩展了已有图形识别准则，在选择偏差存在时以严格较弱的条件刻画识别边界，提供更全面的理论理解。
- 阅读关注点
- 应核对所用概率类、可观测信息与目标总体的定义，并逐项比较新条件与已有图形准则，确认严格较弱条件的具体含义。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出必要充分条件，也未说明实际估计方案及其有限样本表现。
原文摘要
Selection bias is pervasive in observational studies. For example, large scale biobanks data can exhibit ``healthy volunteer bias'' when respondents are healthier and of higher socio-economic status than the population they are meant to represent. Recovering causal effects from such sub-population is an important problem in causal inference, as estimating average treatment effects (ATE) from selected populations can result in a severely biased estimate of the ATE from the whole population. In this paper, we investigate the identifiability of the ATE under selection bias. We provide necessary and sufficient conditions for ATE identifiability, leveraging weak assumptions on probability classes to characterize propensity score and selection probability. Compared to previous works, our results extend existing graphical identifiability criteria and offer a more comprehensive understanding of causal effect identification with strictly weaker conditions in the presence of selection bias.