Scalable Counterfactual Distribution Estimation in Multivariate Causal Models
多变量因果模型中可扩展的反事实分布估计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：摘要明确研究双重差分扩展模型中的反事实联合分布，直接涉及因果推断与分布效应。
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…
多变量因果模型中可扩展的反事实分布估计
- 研究问题
- 在由双重差分设计扩展的多变量因果模型中，如何估计多个结果的反事实联合分布，同时保留相关结构并降低计算成本？
- 方法与思路
- 作者利用全部结果维度构造稳健的一维潜在子空间，在该空间中应用一元因果模型的高效估计，以兼顾依赖结构与可扩展性。
- 材料陈述的贡献
- 摘要称，该方法同时缓解逐维估计忽略相关结构和直接多变量估计计算困难的问题，并在合成与真实数据中展示优势。
- 阅读关注点
- 应核对反事实分布的识别条件、一维表示的构造方式，以及降维后如何恢复联合分布并保留跨维度的依赖信息。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明降维损失、识别条件和比较数值，不能保证任意联合分布均可恢复。
原文摘要
We consider the problem of estimating the counterfactual joint distribution of multiple quantities of interests (e.g., outcomes) in a multivariate causal model extended from the classical difference-in-difference design. Existing methods for this task either ignore the correlation structures among dimensions of the multivariate outcome by considering univariate causal models on each dimension separately and hence produce incorrect counterfactual distributions, or poorly scale even for moderate-size datasets when directly dealing with such multivariate causal model. We propose a method that alleviates both issues simultaneously by leveraging a robust latent one-dimensional subspace of the original high-dimension space and exploiting the efficient estimation from the univariate causal model on such space. Since the construction of the one-dimensional subspace uses information from all the dimensions, our method can capture the correlation structures and produce good estimates of the counterfactual distribution. We demonstrate the advantages of our approach over existing methods on both synthetic and real-world data.