Inference for multiple treatment effects using confounder importance learning
利用混杂变量重要性学习推断多个处理效应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：摘要直接研究多个处理效应推断中的混杂变量选择，以及遗漏混杂和纳入工具变量之间的权衡，支持因果推断分类。
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…
利用混杂变量重要性学习推断多个处理效应
- 研究问题
- 存在大量潜在混杂变量时，如何同时避免遗漏相关混杂和过度纳入工具变量造成的方差膨胀，从而支持多个处理效应推断？
- 方法与思路
- 作者提出经验贝叶斯模型平均框架，从数据学习协变量的先验纳入概率，并开发边际似然精确梯度和变分计算算法。
- 材料陈述的贡献
- 摘要称数据依赖先验可渐近匹配由新混杂系数衡量的混杂程度，梯度成本随变量数线性增长，方法已在 R 包 mombf 中实现。
- 阅读关注点
- 核对混杂系数的定义及其学习机制、因果识别条件、模型平均如何处理多个效应，以及变分近似对不确定性评估的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要的两项应用表述为关联分析，未说明其因果识别依据及具体效应。
原文摘要
We address modelling and computational issues for multiple treatment effect inference under many potential confounders. Our main contribution is providing a trade-off between preventing the omission of relevant confounders, while not running into an over-selection of instruments that significantly inflates variance. We propose a novel empirical Bayes framework for Bayesian model averaging that learns from data the prior inclusion probabilities of key covariates. Our framework sets a data-dependent prior that asymptotically matches the true amount of confounding in the data, as measured by a novel confounding coefficient. A key challenge is computational. We develop fast algorithms, using an exact gradient of the marginal likelihood that has linear cost in the number of covariates, and a variational counterpart. Our framework uses widely-used ingredients and largely existing software, and it is implemented within the R package mombf. We illustrate our work with two applications. The first is the association between salary variation and discriminatory factors. The second, that has been debated in previous works, is the association between abortion policies and crime. Our approach provides insights that differ from previous analyses especially in situations with weaker treatment effects.