Causal and Counterfactual Views of Missing Data Models
缺失数据模型的因果与反事实视角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：摘要明确用因果及反事实图模型解释缺失数据识别，并比较缺失数据与因果识别理论。
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…
缺失数据模型的因果与反事实视角
- 研究问题
- 能否把从观测分布恢复完整数据分布的问题视为反事实联合分布的识别，并由此理解缺失数据与因果识别的联系？
- 方法与思路
- 作者以反事实和观测变量组成的图模型表达缺失数据识别假设，并从这一视角回顾近期识别结果及相关理论差异。
- 材料陈述的贡献
- 摘要称，研究明确了缺失数据恢复问题的反事实解释，并梳理缺失数据识别理论与因果识别理论之间的相似和不同。
- 阅读关注点
- 应核对缺失数据变量到反事实变量的对应、图模型如何表达假设，以及两类识别理论之间可迁移与不可迁移的结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未展示具体识别公式，也未说明哪些结果为本文新增。
原文摘要
It is often said that the fundamental problem of causal inference is a missing data problem -- the comparison of responses to two hypothetical treatment assignments is made difficult because for every experimental unit only one potential response is observed. In this paper, we consider the implications of the converse view: that missing data problems are a form of causal inference. We make explicit how the missing data problem of recovering the complete data law from the observed law can be viewed as identification of a joint distribution over counterfactual variables corresponding to values had we (possibly contrary to fact) been able to observe them. Drawing analogies with causal inference, we show how identification assumptions in missing data can be encoded in terms of graphical models defined over counterfactual and observed variables. We review recent results in missing data identification from this viewpoint. In doing so, we note interesting similarities and differences between missing data and causal identification theories.