Variable Importance Matching for Causal Inference
用于因果推断的变量重要性匹配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：摘要明确以观测因果推断为目标，利用变量重要性匹配估计处理效应。
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…
用于因果推断的变量重要性匹配
- 研究问题
- 在潜在混杂变量众多的观测研究中，如何构造便于审计和排错的匹配方法，并兼顾处理效应估计准确性与计算扩展性？
- 方法与思路
- 作者提出 Model-to-Match 框架，用结果模型的变量重要性学习距离，再构造匹配组估计效应，并以 LASSO 实现高维版本。
- 材料陈述的贡献
- 摘要称在 LASSO 能一致识别全部混杂变量的设定下给出性能保证，而不要求线性模型正确，并展示实验及非参数扩展。
- 阅读关注点
- 应核对结果模型识别全部混杂变量的条件、距离权重及匹配规则，并检查效应识别、样本复用和不确定性处理。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列完整保证条件，不要求线性正确并不意味着无需混杂控制。
原文摘要
Our goal is to produce methods for observational causal inference that are auditable, easy to troubleshoot, accurate for treatment effect estimation, and scalable to high-dimensional data. We describe a general framework called Model-to-Match that achieves these goals by (i) learning a distance metric via outcome modeling, (ii) creating matched groups using the distance metric, and (iii) using the matched groups to estimate treatment effects. Model-to-Match uses variable importance measurements to construct a distance metric, making it a flexible framework that can be adapted to various applications. Concentrating on the scalability of the problem in the number of potential confounders, we operationalize the Model-to-Match framework with LASSO. We derive performance guarantees for settings where LASSO outcome modeling consistently identifies all confounders (importantly without requiring the linear model to be correctly specified). We also provide experimental results demonstrating the method's auditability, accuracy, and scalability as well as extensions to more general nonparametric outcome modeling.