Learning Conditional Instrumental Variable Representation for Causal Effect Estimation
学习条件工具变量表征以估计因果效应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：摘要明确以条件工具变量处理未观测混杂并估计因果效应，直接对应因果推断；表征学习本身不支持额外经济领域分类。
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…
学习条件工具变量表征以估计因果效应
- 研究问题
- 存在未观测混杂且事先无法指定工具变量及其条件集合时，能否从数据学习相应表征，用于处理对结果的因果效应估计？
- 方法与思路
- 作者提出 DVAE.CIV，借助解耦表征学习分别提取条件工具变量和条件集合的表征，以用于潜在混杂下的因果效应估计。
- 材料陈述的贡献
- 摘要称，该方法降低对预先指定工具变量及条件集合的依赖，并在合成与真实数据的实验中表现优于既有因果效应估计方法。
- 阅读关注点
- 应核对表征为何满足条件工具变量要求、潜在混杂的允许结构，以及条件集合能否识别和实验如何验证工具变量有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明识别假设，学习到表征并不自行证明其工具变量有效性。
原文摘要
One of the fundamental challenges in causal inference is to estimate the causal effect of a treatment on its outcome of interest from observational data. However, causal effect estimation often suffers from the impacts of confounding bias caused by unmeasured confounders that affect both the treatment and the outcome. The instrumental variable (IV) approach is a powerful way to eliminate the confounding bias from latent confounders. However, the existing IV-based estimators require a nominated IV, and for a conditional IV (CIV) the corresponding conditioning set too, for causal effect estimation. This limits the application of IV-based estimators. In this paper, by leveraging the advantage of disentangled representation learning, we propose a novel method, named DVAE.CIV, for learning and disentangling the representations of CIV and the representations of its conditioning set for causal effect estimations from data with latent confounders. Extensive experimental results on both synthetic and real-world datasets demonstrate the superiority of the proposed DVAE.CIV method against the existing causal effect estimators.