A primer on optimal transport for causal inference with observational data
观察数据因果推断中的最优传输入门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：摘要明确以观察数据下因果效应识别和反事实模型假设为综述核心，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…
关注这篇论文的作者
观察数据因果推断中的最优传输入门
- 研究问题
- 最优传输与观察数据因果效应识别之间有哪些既有联系，它如何参与构成模型假设，并帮助统一不同学科的表述？
- 方法与思路
- 作者以综述形式介绍概率分布及其状态空间的比较与反事实分析之间的联系，梳理因果模型中隐含的最优传输结构。
- 材料陈述的贡献
- 摘要称综述旨在统一统计、数学与计量经济学的语言和记号，揭示既有识别框架的共同基础，并提出进一步研究方向。
- 阅读关注点
- 应核对哪些具体因果模型对应哪些传输约束，相关联系是表示方式还是识别限制，以及各框架需要怎样的观察数据假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出所覆盖模型和识别条件，也未声称提供统一的新估计量或性能保证。
原文摘要
The theory of optimal transportation has developed into a powerful and elegant framework for comparing probability distributions, with wide-ranging applications in all areas of science. The fundamental idea of analyzing probabilities by comparing their underlying state space naturally aligns with the core idea of causal inference, where understanding and quantifying counterfactual states is paramount. Despite this intuitive connection, explicit research at the intersection of optimal transport and causal inference is only beginning to develop. Yet, many foundational models in causal inference have implicitly relied on optimal transport principles for decades, without recognizing the underlying connection. Therefore, the goal of this review is to offer an introduction to the surprisingly deep existing connections between optimal transport and the identification of causal effects with observational data -- where optimal transport is not just a set of potential tools, but actually builds the foundation of model assumptions. As a result, this review is intended to unify the language and notation between different areas of statistics, mathematics, and econometrics, by pointing out these existing connections, and to explore novel problems and directions for future work in both areas derived from this realization.