Graphical identifiability criteria for causal effects in studies with an unobserved treatment/response variable
处理或响应变量不可观测时因果效应的图形可识别性判据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。
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：摘要直接研究平均因果效应的图形识别及不可观测处理或响应变量问题。
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
处理或响应变量不可观测时因果效应的图形可识别性判据
- 研究问题
- 当处理变量或响应变量无法观测，而变量间因果关系可由有向无环图描述时，平均因果效应能否由观测数据识别？
- 方法与思路
- 作者在有向无环图及联合分布递归分解框架下提出图形判据，并为判定可识别的情形给出基于观测数据的效应表达。
- 材料陈述的贡献
- 摘要称这些判据可用于检验处理或响应不可观测时的平均因果效应识别，并在识别成立时提供进一步计算表达。
- 阅读关注点
- 应核对不可观测变量在图中的位置、判据是否必要或充分，以及效应表达如何依赖可观测分布和具体因果假设。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。具体图形条件、证明与估计性质未提供，也不能推断后续刊本变化。
原文摘要
We consider the problem of using data in studies with an unobserved treatment/response variable in order to evaluate average causal effects, when cause-effect relationships between variables can be described by a directed acyclic graph and the corresponding recursive factorization of a joint distribution. The paper proposes graphical criteria to test whether average causal effects are identifiable even if a treatment/response variable is unobserved. If the answer is affirmative, we provide further formulations for average causal effects from the observed data. The graphical criteria enable us to evaluate average causal effects when it is difficult to observe a treatment/response variable.