Doubly Robust Proximal Causal Learning for Continuous Treatments
连续处理下的双重稳健近端因果学习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：摘要明确研究未观测混杂下连续处理的近端因果识别与双重稳健估计。
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…
连续处理下的双重稳健近端因果学习
- 研究问题
- 存在未观测混杂且处理变量连续时，如何克服原双重稳健估计式中 delta 函数带来的计算困难，进行近端因果估计？
- 方法与思路
- 作者用核平滑构造连续处理的双重稳健估计量，并提出求解滋扰函数的新方法，对估计误差开展均方误差收敛分析。
- 材料陈述的贡献
- 摘要称，估计量的 oracle 形式是一致的影响函数近似，并提供滋扰函数求解方法、收敛分析及模拟和真实应用展示。
- 阅读关注点
- 应核对代理变量与桥函数的识别条件、核与带宽选择、双重稳健性的准确表述，以及滋扰估计误差如何进入收敛分析。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核实；摘要未列识别条件或收敛速率，oracle 结论不能直接替代可行估计量保证。
原文摘要
Proximal causal learning is a promising framework for identifying the causal effect under the existence of unmeasured confounders. Within this framework, the doubly robust (DR) estimator was derived and has shown its effectiveness in estimation, especially when the model assumption is violated. However, the current form of the DR estimator is restricted to binary treatments, while the treatment can be continuous in many real-world applications. The primary obstacle to continuous treatments resides in the delta function present in the original DR estimator, making it infeasible in causal effect estimation and introducing a heavy computational burden in nuisance function estimation. To address these challenges, we propose a kernel-based DR estimator that can well handle continuous treatments. Equipped with its smoothness, we show that its oracle form is a consistent approximation of the influence function. Further, we propose a new approach to efficiently solve the nuisance functions. We then provide a comprehensive convergence analysis in terms of the mean square error. We demonstrate the utility of our estimator on synthetic datasets and real-world applications.