Comparing Two Proxy Methods for Causal Identification
两类代理变量因果识别方法的比较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：摘要直接比较未测量变量存在时的代理变量因果识别方法，目标包括因果量与反事实量。
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…
两类代理变量因果识别方法的比较
- 研究问题
- 存在未测量变量时，桥方程方法与数组分解方法分别依靠哪些模型限制实现因果识别，两者的适用范围有何差异？
- 方法与思路
- 作者对比通过积分方程解恢复因果目标的桥方程方法，以及通过特征分解恢复潜在因素、进而识别反事实量的数组分解方法。
- 材料陈述的贡献
- 摘要称，论文比较两类代理方法背后的模型限制，阐明相关假设的含义，并帮助理解各自适用范围；未说明统一占优结论。
- 阅读关注点
- 应核对代理变量的结构要求、桥方程解的存在与唯一性，以及数组分解的识别限制，比较假设是否存在包含或交叉关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列具体假设、估计性质或经验比较，不能判断哪种方法在一般情形更优。
原文摘要
Identifying causal effects in the presence of unmeasured variables is a fundamental challenge in causal inference, for which proxy variable methods have emerged as a powerful solution. We contrast two major approaches in this framework: (1) bridge equation methods, which leverage solutions to integral equations to recover causal targets, and (2) array decomposition methods, which recover latent factors used to identify counterfactual quantities via eigendecomposition tasks. We compare the model restrictions underlying these two approaches and provide insight into implications of the underlying assumptions, clarifying the scope of applicability for each method.