$β$-Intact-VAE: Identifying and Estimating Causal Effects under Limited Overlap
β-Intact-VAE：有限重叠下因果效应的识别与估计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：摘要直接研究有限重叠下处理效应的识别与估计，并以预后评分和潜变量模型支持因果目标，明确对应因果推断。
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
β-Intact-VAE：有限重叠下因果效应的识别与估计
- 研究问题
- 当某些特征的个体只出现在一个处理组、处理组间重叠有限时，如何借助潜在预后信息识别并估计个体化处理效应？
- 方法与思路
- 作者建立潜变量生成式预后模型，以新型变分自编码器学习该模型，并推导支持按个体特征平衡处理组表征的效应误差界。
- 材料陈述的贡献
- 摘要称，潜变量可恢复预后评分，模型能够识别个体化处理效应，并在合成及半合成数据上与近期方法进行比较。
- 阅读关注点
- 应核对恢复预后评分及识别效应所需的模型限制，有限重叠如何被处理，以及误差界和平衡表征之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别条件，不能据此认为潜变量方法普遍解决重叠缺失。
原文摘要
As an important problem in causal inference, we discuss the identification and estimation of treatment effects (TEs) under limited overlap; that is, when subjects with certain features belong to a single treatment group. We use a latent variable to model a prognostic score which is widely used in biostatistics and sufficient for TEs; i.e., we build a generative prognostic model. We prove that the latent variable recovers a prognostic score, and the model identifies individualized treatment effects. The model is then learned as β-Intact-VAE--a new type of variational autoencoder (VAE). We derive the TE error bounds that enable representations balanced for treatment groups conditioned on individualized features. The proposed method is compared with recent methods using (semi-)synthetic datasets.