Causal Inference Under Unmeasured Confounding With Negative Controls: A Minimax Learning Approach
未观测混杂下利用负向对照的因果推断：极小极大学习方法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：摘要直接讨论未观测混杂、负向对照、桥函数及因果参数识别与估计，文本依据集中于因果推断这一细分方向。
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…
未观测混杂下利用负向对照的因果推断：极小极大学习方法
- 研究问题
- 在部分混杂因素不可观测但存在负向对照时，如何识别并估计桥函数，进而估计因果参数，同时减轻既有条件的限制？
- 方法与思路
- 作者提出不依赖既有完备性条件的新识别策略，并以极小极大学习估计桥函数，允许使用再生核希尔伯特空间和神经网络。
- 材料陈述的贡献
- 摘要称，论文给出桥函数和最终因果参数的有限样本收敛结果，并在多种假设组合下尽可能避免桥函数唯一性要求。
- 阅读关注点
- 应核对替代完备性条件的识别要求、桥函数不唯一时因果参数如何确定，以及函数类复杂度如何影响有限样本误差界。
- 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；摘要未说明替代识别条件，不能解读为任意负向对照都足以识别。
原文摘要
We study the estimation of causal parameters when not all confounders are observed and instead negative controls are available. Recent work has shown how these can enable identification and efficient estimation via two so-called bridge functions. In this paper, we tackle the primary challenge to causal inference using negative controls: the identification and estimation of these bridge functions. Previous work has relied on completeness conditions on these functions to identify the causal parameters and required uniqueness assumptions in estimation, and they also focused on parametric estimation of bridge functions. Instead, we provide a new identification strategy that avoids the completeness condition. And, we provide new estimators for these functions based on minimax learning formulations. These estimators accommodate general function classes such as Reproducing Kernel Hilbert Spaces and neural networks. We study finite-sample convergence results both for estimating bridge functions themselves and for the final estimation of the causal parameter under a variety of combinations of assumptions. We avoid uniqueness conditions on the bridge functions as much as possible.