Synthetic Potential Outcomes and Causal Mixture Identifiability
合成潜在结果与因果混合模型的可识别性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：摘要以干预的因果响应和反事实分布定义潜在分组，直接涉及因果异质性及识别。
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…
合成潜在结果与因果混合模型的可识别性
- 研究问题
- 如何按不同群体对干预的因果响应划分潜在类别，而非仅按协变量取值或相关性分组，并明确这种因果混合的可识别性？
- 方法与思路
- 作者利用可观测数据的高阶多线性矩，从反事实分布进行合成抽样，并构建混合模型可识别性的层级以联系不同分组概念。
- 材料陈述的贡献
- 摘要提出以因果响应定义异质性分组及相应合成抽样思路，并发展可识别性层级，说明因果混合与传统混合模型之间的关系。
- 阅读关注点
- 应核对高阶矩能够恢复反事实分布的条件、潜在类别与因果响应的定义，以及识别层级各层之间的逻辑关系和可估计性。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出识别假设、矩条件或估计误差保证，不能认定任意混合均可识别。
原文摘要
Heterogeneous data from multiple populations, sub-groups, or sources is often represented as a ``mixture model'' with a single latent class influencing all of the observed covariates. Heterogeneity can be resolved at multiple levels by grouping populations according to different notions of similarity. This paper proposes grouping with respect to the causal response of an intervention or perturbation on the system. This definition is distinct from previous notions, such as similar covariate values (e.g. clustering) or similar correlations between covariates (e.g. Gaussian mixture models). To solve the problem, we ``synthetically sample'' from a counterfactual distribution using higher-order multi-linear moments of the observable data. To understand how these ``causal mixtures'' fit in with more classical notions, we develop a hierarchy of mixture identifiability.