Semiparametric Efficient Inference for the Probability of Necessary and Sufficient Causation
必要与充分因果概率的半参数有效推断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：摘要直接研究必要与充分因果概率的识别假设、影响函数及有效估计，属于因果推断中的归因分析。
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
必要与充分因果概率的半参数有效推断
- 研究问题
- 研究如何对因果归因中的必要因果概率与充分因果概率进行半参数有效估计，弥补既有研究主要关注识别或界限的不足。
- 方法与思路
- 作者分别在强可忽略性加单调性、强可忽略性加条件独立性两组假设下，推导有效影响函数与效率界，并构造相应估计量。
- 材料陈述的贡献
- 摘要称，建立两类归因概率的有效估计及大样本性质，模拟显示相对竞争方法的优势，并用于分析真实数据中的中风风险因素。
- 阅读关注点
- 应核对 PN、PS 的定义及其与联合归因概率的区别，明确条件独立性的对象，并检查影响函数、辅助估计和效率结论所需条件。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出具体效率界、估计率条件或中风应用结果。
原文摘要
Causal attribution, which aims to explain why events or behaviors occur, is crucial in causal inference and enhances our understanding of cause-and-effect relationships in scientific research. The probabilities of necessary causation (PN) and sufficient causation (PS) are two of the most common quantities for attribution in causal inference. While many works have explored the identification or bounds of PN and PS, efficient estimation remains unaddressed. To fill this gap, this paper focuses on obtaining semiparametric efficient estimators of PN and PS under two sets of identifiability assumptions: strong ignorability and monotonicity, and strong ignorability and conditional independence. We derive efficient influence functions and semiparametric efficiency bounds for PN and PS under the two sets of identifiability assumptions, respectively. Based on this, we propose efficient estimators for PN and PS, and show their large sample properties. Extensive simulations validate the superiority of our estimators compared to competing methods. We apply our methods to a real-world dataset to assess various risk factors affecting stroke.