IncomeSCM: From tabular data set to time-series simulator and causal estimation benchmark
IncomeSCM：从表格数据到时间序列模拟器与因果估计基准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：摘要直接讨论结构因果模型、干预真值及观察数据因果效应估计的评测。
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
IncomeSCM：从表格数据到时间序列模拟器与因果估计基准
- 研究问题
- 因果估计评测需要已知干预效果，但真实观察数据通常缺少这种参照；研究如何构造兼具现实特征与可控机制的评测任务。
- 方法与思路
- 作者结合真实数据拟合与手工设计的简单机制，构建序贯结构因果模型，并基于 Adult 收入数据实现可配置的模拟软件。
- 材料陈述的贡献
- 摘要称，所得任务能区分因果估计方法：即使事实结果建模表现相近，效应估计质量仍明显不同，提示需专门的因果评测标准。
- 阅读关注点
- 应核对模拟机制与原始数据的对应关系、干预真值的生成方式，以及各估计任务是否覆盖现实研究中的主要识别困难。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；模拟器内的已知效应不能直接证明真实收入数据中的因果关系。
原文摘要
Evaluating observational estimators of causal effects demands information that is rarely available: unconfounded interventions and outcomes from the population of interest, created either by randomization or adjustment. As a result, it is customary to fall back on simulators when creating benchmark tasks. Simulators offer great control but are often too simplistic to make challenging tasks, either because they are hand-designed and lack the nuances of real-world data, or because they are fit to observational data without structural constraints. In this work, we propose a general, repeatable strategy for turning observational data into sequential structural causal models and challenging estimation tasks by following two simple principles: 1) fitting real-world data where possible, and 2) creating complexity by composing simple, hand-designed mechanisms. We implement these ideas in a highly configurable software package and apply it to the well-known Adult income data set to construct the IncomeSCM simulator. From this, we devise multiple estimation tasks and sample data sets to compare established estimators of causal effects. The tasks present a suitable challenge, with effect estimates varying greatly in quality between methods, despite similar performance in the modeling of factual outcomes, highlighting the need for dedicated causal estimators and model selection criteria.