Causal Inference with Conditional Instruments using Deep Generative Models
利用深度生成模型与条件工具变量进行因果推断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：摘要明确围绕潜在混杂、条件工具变量和平均因果效应估计展开，直接属于因果推断方向。
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…
利用深度生成模型与条件工具变量进行因果推断
- 研究问题
- 存在潜在混杂时，能否从观测数据学习条件工具变量及其条件集的表示，从而扩大工具变量方法用于平均因果效应估计的范围？
- 方法与思路
- 作者利用深度生成模型，同时从已测量变量学习条件工具变量的信息表示，并生成相应条件集的表示，用于平均因果效应估计。
- 材料陈述的贡献
- 摘要称，论文提出数据驱动的条件工具变量表示学习方法，并报告其在合成及真实数据实验中优于所比较的既有工具变量方法。
- 阅读关注点
- 应核对所学表示满足工具变量有效性条件的依据、条件集的构造方式，以及实验中真实效应、比较方法和评价指标的设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实。摘要未说明识别假设及表示学习的理论保证，实验比较不能确立普遍优势。
原文摘要
The instrumental variable (IV) approach is a widely used way to estimate the causal effects of a treatment on an outcome of interest from observational data with latent confounders. A standard IV is expected to be related to the treatment variable and independent of all other variables in the system. However, it is challenging to search for a standard IV from data directly due to the strict conditions. The conditional IV (CIV) method has been proposed to allow a variable to be an instrument conditioning on a set of variables, allowing a wider choice of possible IVs and enabling broader practical applications of the IV approach. Nevertheless, there is not a data-driven method to discover a CIV and its conditioning set directly from data. To fill this gap, in this paper, we propose to learn the representations of the information of a CIV and its conditioning set from data with latent confounders for average causal effect estimation. By taking advantage of deep generative models, we develop a novel data-driven approach for simultaneously learning the representation of a CIV from measured variables and generating the representation of its conditioning set given measured variables. Extensive experiments on synthetic and real-world datasets show that our method outperforms the existing IV methods.