A Semiparametric Approach to Causal Inference
因果推断的半参数方法：反事实分布与密度比模型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：摘要明确研究反事实分布及其泛函的因果推断，因此对应因果推断与分布效应。
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
因果推断的半参数方法：反事实分布与密度比模型
- 研究问题
- 均值处理效应无法揭示全部分布差异时，如何利用多个干预组的信息估计反事实分布及其泛函，刻画分布层面的因果效应？
- 方法与思路
- 作者以半参数密度比模型描述反事实分布间共享的潜在结构，通过经验似然估计非参数成分，并联合使用多个干预组的数据。
- 材料陈述的贡献
- 摘要称，该框架无需为反事实分布指定严格参数形式，可推断分布函数及其泛函，模拟和实际数据分析支持其有效性。
- 阅读关注点
- 应核对共享潜在结构的约束、观测分布与反事实分布的识别关系，以及经验似然估计和分布泛函推断的条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收均未核实；半参数灵活性仍依赖模型结构，摘要未说明完整因果识别条件。
原文摘要
In causal inference, an important problem is to quantify the effects of interventions or treatments. Many studies focus on estimating the mean causal effects; however, these estimands may offer limited insight since two distributions can share the same mean yet exhibit significant differences. Examining the causal effects from a distributional perspective provides a more thorough understanding. In this paper, we employ a semiparametric density ratio model (DRM) to characterize the counterfactual distributions, introducing a framework that assumes a latent structure shared by these distributions. Our model offers flexibility by avoiding strict parametric assumptions on the counterfactual distributions. Specifically, the DRM incorporates a nonparametric component that can be estimated through the method of empirical likelihood (EL), using the data from all the groups stemming from multiple interventions. Consequently, the EL-DRM framework enables inference of the counterfactual distribution functions and their functionals, facilitating direct and transparent causal inference from a distributional perspective. Numerical studies on both synthetic and real-world data validate the effectiveness of our approach.