A Kernel Test for Causal Association via Noise Contrastive Backdoor Adjustment
通过噪声对比后门调整检验因果关联的核方法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：摘要直接检验干预分布的因果原假设，并使用后门调整处理混杂。
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…
通过噪声对比后门调整检验因果关联的核方法
- 研究问题
- 在混杂变量较多时，如何非参数检验干预后的结果分布是否等于边际结果分布，并区分该因果原假设与普通独立性检验？
- 方法与思路
- 作者在 HSIC 基础上提出后门调整版本 bd-HSIC，检验 do-null 原假设，并研究所用协方差算子估计量的收敛性质。
- 材料陈述的贡献
- 摘要称，该方法在混杂变量较多、处理为二元或连续时具备校准与功效，并讨论相对参数检验的利弊及不同独立性检验的区别。
- 阅读关注点
- 应核对后门调整的识别条件、噪声对比步骤、零分布校准与核函数选择，以及算子估计误差如何影响检验水平和功效。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未说明完整条件、维数增长范围或功效数值，不能判断所有高维情形下有效。
原文摘要
Causal inference grows increasingly complex as the number of confounders increases. Given treatments $X$, confounders $Z$ and outcomes $Y$, we develop a non-parametric method to test the \textit{do-null} hypothesis $H_0:\; p(y|\text{\it do}(X=x))=p(y)$ against the general alternative. Building on the Hilbert Schmidt Independence Criterion (HSIC) for marginal independence testing, we propose backdoor-HSIC (bd-HSIC) and demonstrate that it is calibrated and has power for both binary and continuous treatments under a large number of confounders. Additionally, we establish convergence properties of the estimators of covariance operators used in bd-HSIC. We investigate the advantages and disadvantages of bd-HSIC against parametric tests as well as the importance of using the do-null testing in contrast to marginal independence testing or conditional independence testing. A complete implementation can be found at \hyperlink{https://github.com/MrHuff/kgformula}{\texttt{https://github.com/MrHuff/kgformula}}.