Long Story Short: Omitted Variable Bias in Causal Machine Learning
长话短说：因果机器学习中的遗漏变量偏误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：摘要核心是因果参数（平均处理效应、潜在结果均值等）的遗漏变量偏误与敏感性分析，直接对应因果推断方向。
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…
长话短说：因果机器学习中的遗漏变量偏误
- 研究问题
- 摘要称，本文研究在非参数及（半）参数因果机器学习模型中，遗漏变量会给多种常见因果参数（如潜在结果均值、平均处理效应、平均因果导数、协变量移动的政策效应等）带来多大偏误，以及如何进行敏感性分析。
- 方法与思路
- 作者提出一套关于遗漏变量偏误的一般理论，适用于非参数模型并允许部分线性等（半）参数限制；摘要称只需对遗漏变量最大解释力的简单合理性判断即可界定偏误幅度，并给出可借助现代机器学习算法估计的灵活有效统计推断方法。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：为一大类常见因果参数建立遗漏变量偏误的一般理论，使研究者能用简单可解释的工具在机器学习因果模型中做敏感性分析，并用两个实证例子展示其用途。
- 阅读关注点
- 阅读全文时应核对：偏误界的具体形式与所需识别假设、对遗漏变量解释力判断的操作化方式、推断方法的渐近性质与适用条件，以及两个实证例子的设定与结论是否支持摘要所述主张。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、界的紧度、推断方法的有限样本表现与实证细节；该版本为 arXiv 预印本，同行评审与期刊接收情况未经核实，不应据此声称已获评审认可。
原文摘要
We develop a general theory of omitted variable bias for a wide range of common causal parameters, including (but not limited to) averages of potential outcomes, average treatment effects, average causal derivatives, and policy effects from covariate shifts. Our theory applies to nonparametric models, while naturally allowing for (semi-)parametric restrictions (such as partial linearity) when such assumptions are made. We show how simple plausibility judgments on the maximum explanatory power of omitted variables are sufficient to bound the magnitude of the bias, thus facilitating sensitivity analysis in otherwise complex, nonlinear models. Finally, we provide flexible and efficient statistical inference methods for the bounds, which can leverage modern machine learning algorithms for estimation. These results allow empirical researchers to perform sensitivity analyses in a flexible class of machine-learned causal models using very simple, and interpretable, tools. We demonstrate the utility of our approach with two empirical examples.