Mediated probabilities of causation
经中介路径传导的因果归因概率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：摘要直接研究中介路径、反事实因果归因概率及其识别和双重稳健估计，因果推断是明确且最直接的分类。
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…
经中介路径传导的因果归因概率
- 研究问题
- 在暴露、中介和结果均为二元变量时，如何量化已观察负面结果经中介路径或直接路径由暴露引起的概率？
- 方法与思路
- 作者定义一组中介因果归因概率，给出识别的充分条件，并提出允许灵活非参数与机器学习方法的双重稳健投影估计。
- 材料陈述的贡献
- 摘要所述贡献是将因果归因概率细分为中介与直接路径，使同时观察到负面中介事件和结果时能够讨论不同归因机制。
- 阅读关注点
- 应核对归因事件的反事实定义、充分识别条件及其可解释性，以及投影目标、双重稳健性质与机器学习估计的条件。
- 阅读边界
- 这是 arXiv 预印本摘要，不能据此认定同行评审或期刊接收；摘要未列明识别假设，二元单中介设定之外的推广也未说明。
原文摘要
We propose a set of causal estimands that we call the "mediated probabilities of causation." These estimands quantify the probabilities that an observed negative outcome was induced via a mediating pathway versus a direct pathway in a stylized setting involving a binary exposure or intervention, a single binary mediator, and a binary outcome. We outline a set of conditions sufficient to identify these effects given observed data, and propose a doubly-robust projection based estimation strategy that allows for the use of flexible non-parametric and machine learning methods for estimation. We argue that these effects may be more relevant than the probability of causation, particularly in settings where we observe both some negative outcome and negative mediating event, and we wish to distinguish between settings where the outcome was induced via the exposure inducing the mediator versus the exposure inducing the outcome directly. We motivate these estimands by discussing applications to legal and medical questions of causal attribution.