Causal Geodesy: Counterfactual Estimation Along the Path Between Correlation and Causation
因果测地学：沿相关与因果之间的路径估计反事实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：摘要明确研究随机干预、反事实目标量和确定值干预的偏差校正推断，文本依据直接指向因果推断。
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
因果测地学：沿相关与因果之间的路径估计反事实
- 研究问题
- 如何构造从观测治疗分布通向指定治疗值的随机干预路径，并理解路径几何对反事实解释、估计偏差及推断难度的影响？
- 方法与思路
- 作者在治疗密度与目标点质量之间构造平滑分布路径，重点研究 Wasserstein 测地线，并比较球面 Hellinger 几何。
- 材料陈述的贡献
- 摘要称 Wasserstein 路径避免参数化引入的曲率伪影，其曲率来自结果回归；作者据此发展确定值干预的高阶偏差校正推断。
- 阅读关注点
- 核对随机干预目标量的识别条件、路径端点处理与几何定义，检查高阶校正所需的平滑性及误差控制条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未列出完整识别和正则条件，不能推断任意暴露分布下均可实施。
原文摘要
We introduce causal geodesy, a framework for studying the landscape of stochastic interventions that lie between the two extremes of performing no intervention and performing a sharp intervention that sets an exposure equal to a specific value. We define this framework by constructing paths of distributions that smoothly interpolate between the treatment density and a point mass at the target intervention. Thus, each path starts at a purely observational (or correlational) quantity and moves into a counterfactual world. Of particular interest are paths that correspond to geodesics in some metric, i.e. the shortest path. We show that stochastic interventions defined by the Wasserstein geodesic possess many favorable statistical properties. In particular, unlike other paths (such as those defined by exponentially tilted intervention distributions), the Wasserstein geodesic does not introduce path-parameterization artifacts; its curvature is inherited from the outcome regression itself. We use this to develop higher-order bias-corrected inference for sharp interventions. Finally, we explore geodesics defined by the spherical Hellinger geometry to show how the interpretation, estimation, and statistical difficulty of the problem is governed by the underlying geometry.