Causal Inference With Noisy Covariates: Heteroscedastic Measurement Error and Differential Privacy
含噪协变量的因果推断：异方差测量误差与差分隐私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。
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：摘要明确研究含测量误差协变量下的横截面因果参数、异质效应及平衡权重。
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…
关注这篇论文的作者
含噪协变量的因果推断：异方差测量误差与差分隐私
- 研究问题
- 当高维协变量受到不同形式的异方差噪声污染时，如何对具有异质效应的横截面因果参数进行有效估计和推断？
- 方法与思路
- 作者以真实协变量低秩为主要假设，将其解释为近似重复测量，并提出考虑测量误差的平衡权重以支持半参数推断。
- 材料陈述的贡献
- 摘要称低秩假设下的因果参数推断可达到真实协变量可观测时的精度，并以图形评估该假设，提出测量误差平衡权重。
- 阅读关注点
- 应核对低秩与噪声假设的具体形式、因果识别条件、等精度结论的渐近含义，以及标题中的差分隐私如何进入模型。
- 阅读边界
- 解读限于所给 Crossref 摘要；摘要未说明噪声依赖结构、秩的要求或隐私机制，等精度陈述也不能直接解释为有限样本保证。
原文摘要
We study causal inference with high‐dimensional covariates, observed with various types of heteroscedastic noise. Our main assumption is that the true covariates are low rank, which we empirically evaluate with plots and interpret as approximate repeated measurements. This assumption delivers semiparametric inference on the causal parameter, as precisely as if the true covariates were available. A methodological contribution is to introduce an error‐in‐variable balancing weight for estimation and inference on cross‐sectional causal parameters with heterogeneous effects.