PCM Selector: Penalized Covariate-Mediator Selection Operator for Evaluating Linear Causal Effects
PCM 选择器：用于线性因果效应评估的惩罚协变量与中介选择方法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：摘要直接围绕后门调整、中介变量与线性因果效应估计展开。
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
PCM 选择器：用于线性因果效应评估的惩罚协变量与中介选择方法
- 研究问题
- 在线性结构方程模型中，若后门调整所需协变量不可观测，或存在高维与多重共线性问题，能否借助中介变量估计因果效应？
- 方法与思路
- 作者提出两阶段惩罚回归方法 PCM Selector，结合协变量与中介变量选择，在常规后门调整不可行或估计困难时估计线性因果效应。
- 材料陈述的贡献
- 摘要称，在可利用中介变量时，该方法可提供一致或偏差较小的因果效应估计，并通过中介变量选择改善因果效应估计精度。
- 阅读关注点
- 应核对中介变量需要满足的因果条件、两阶段回归的具体构造，以及一致性和偏差改善分别适用于哪些情形与比较基准。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明关键识别条件，不能据此认为任意中介变量都能解决未观测混杂。
原文摘要
For a data-generating process for random variables that can be described with a linear structural equation model, we consider a situation in which (i) a set of covariates satisfying the back-door criterion cannot be observed or (ii) such a set can be observed, but standard statistical estimation methods cannot be applied to estimate causal effects because of multicollinearity/high-dimensional data problems. We propose a novel two-stage penalized regression approach, the penalized covariate-mediator selection operator (PCM Selector), to estimate the causal effects in such scenarios. Unlike existing penalized regression analyses, when a set of intermediate variables is available, PCM Selector provides a consistent or less biased estimator of the causal effect. In addition, PCM Selector provides a variable selection procedure for intermediate variables to obtain better estimation accuracy of the causal effects than does the back-door criterion.