Identifying Causal Effects Using a Single Proxy Variable
利用单一代理变量识别因果效应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：摘要研究未观测混杂下借助代理变量识别和估计处理因果效应。
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…
利用单一代理变量识别因果效应
- 研究问题
- 存在未观测混杂且仅有一个可多维的代理变量时，若其生成机制已知，能否识别并估计离散或连续处理的因果效应？
- 方法与思路
- 作者提出 SPICE 假设，在该条件下证明代理误差机制的完备性与因果可识别性，并设计神经网络估计框架。
- 材料陈述的贡献
- 摘要称结果把单代理识别扩展到多维连续情形、更灵活的函数关系和更广分布，并提出适用两类处理的 SPICE-Net。
- 阅读关注点
- 应核对 SPICE 的精确定义、已知代理机制如何获得，以及完备性、逆问题求解和神经网络估计之间的联系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未展开 SPICE 条件，不能推断任意单代理都可消除混杂。
原文摘要
Unobserved confounding is a key challenge when estimating causal effects from a treatment on an outcome. In this work, we assume that we observe a single, potentially multi-dimensional proxy variable of the unobserved confounder and that we know the mechanism that generates the proxy from the confounder. Under an assumption called Single Proxy Identifiability of Causal Effects or simply SPICE, we prove that this error mechanism is complete and causal effects are identifiable. We extend the proxy-based causal identifiability results by Kuroki and Pearl (2014); Pearl (2010) to multi-dimensional continuous settings, more flexible functional relationships and a broader class of distributions. Further, we develop a neural network based estimation framework, SPICE-Net, to estimate causal effects, which is applicable to both discrete and continuous treatments.