Finite sample-optimal adjustment sets in linear Gaussian causal models
线性高斯因果模型中的有限样本最优调整集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：摘要研究因果效应估计的协变量调整集及因果图筛选规则，直接属于因果推断。
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…
线性高斯因果模型中的有限样本最优调整集
- 研究问题
- 在样本有限或协变量测量成本较高时，如何选择使因果效应估计均方误差最小的调整集，而非仅追求渐近效率？
- 方法与思路
- 作者在线性高斯模型中结合变量联合分布和样本量比较调整集，提出样本量判据，并利用因果图规则缩小搜索空间。
- 材料陈述的贡献
- 摘要展示有限样本与渐近最优调整集不同的例子，并提出比较和搜索工具；模拟称前者在有限样本中可取得更小均方误差。
- 阅读关注点
- 应核对效应估计量、候选调整集的有效性、联合分布是否已知，以及比较判据与图形筛选规则在估计参数时如何实施。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出判据和适用条件，所述优势不能直接推广到非线性或非高斯模型。
原文摘要
Traditional covariate selection methods for causal inference focus on achieving unbiasedness and asymptotic efficiency. In many practical scenarios, researchers must estimate causal effects from observational data with limited sample sizes or in cases where covariates are difficult or costly to measure. Their needs might be better met by selecting adjustment sets that are finite sample-optimal in terms of mean squared error. In this paper, we aim to find the adjustment set that minimizes the mean squared error of the causal effect estimator, taking into account the joint distribution of the variables and the sample size. We call this finite sample-optimal set the MSE-optimal adjustment set and present examples in which the MSE-optimal adjustment set differs from the asymptotically optimal adjustment set. To identify the MSE-optimal adjustment set, we then introduce a sample size criterion for comparing adjustment sets in linear Gaussian models. We also develop graphical criteria to reduce the search space for this adjustment set based on the causal graph. In experiments with simulated data, we show that the MSE-optimal adjustment set can outperform the asymptotically optimal adjustment set in finite sample size settings, making causal inference more practical in such scenarios.