Causal Stability Selection
因果稳定性选择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：摘要直接研究条件平均处理效应及其修饰变量的发现和错误控制。
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…
因果稳定性选择
- 研究问题
- 如何在数据驱动地寻找处理效应修饰变量时，控制有限样本中的预期假阳性数量，并减少难以复现的异质性发现？
- 方法与思路
- 作者将条件平均处理效应的交叉拟合估计与积分路径稳定性选择结合，允许使用不同的处理效应估计器和基础选择器。
- 材料陈述的贡献
- 摘要称，方法给出预期假阳性数的非渐近上界，并在识别及正则条件下，将选择概率收敛速度联系到处理效应估计速度。
- 阅读关注点
- 应核对假阳性的定义、有限样本上界依赖的选择器条件，以及交叉拟合误差如何进入选择概率的收敛论证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列出完整条件，允许多种估计器不意味着任意使用均有保证。
原文摘要
Identifying covariates that modify treatment effects is a central problem in causal inference. Yet existing data-adaptive procedures do not provide finite-sample control over the expected number of false discoveries, risking spurious findings that fail to replicate. We introduce causal stability selection, an algorithm that combines cross-fitted estimation of conditional average treatment effects with integrated path stability selection. The method accommodates arbitrary treatment effect estimators and arbitrary base selectors, and produces a selection set with an explicit, non-asymptotic bound on the expected number of false positives. Under standard causal identifying assumptions and regularity conditions on the base selector, we prove that the estimated selection probabilities converge to their oracle counterparts at the rate of the underlying treatment effect estimator. This establishes a direct connection between treatment effect estimation and effect modifier discovery. We illustrate the method on simulated data and on real-world data from a randomized oncology trial and an observational study of maternal smoking and infant birthweight.