Fortified Proximal Causal Inference with Many Invalid Proxies
容许多个无效代理变量的强化近端因果推断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：摘要明确围绕未观测混杂、代理变量识别及平均处理效应估计展开。
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…
容许多个无效代理变量的强化近端因果推断
- 研究问题
- 当未观测混杂存在且部分处理混杂代理变量无效时，能否在不知道哪些代理有效的情况下识别并估计总体平均处理效应？
- 方法与思路
- 作者构造强化混杂桥函数，在 K 个候选处理代理中至少 γ 个有效的设定下建立识别，并提出多重稳健、局部有效的半参数估计。
- 材料陈述的贡献
- 摘要称该框架给出平均处理效应的非参数识别与局部效率界，使估计同时容许无效处理代理和部分辅助模型错设，并提供模拟与医疗应用。
- 阅读关注点
- 应核对有效代理的定义、桥函数存在条件、γ 的选择及其他识别限制，尤其检查多重稳健性允许哪些辅助模型同时错设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未完整列出识别条件；至少 γ 个代理有效不能被理解为唯一所需假设。
原文摘要
Causal inference from observational data often relies on the assumption of no unmeasured confounding, an assumption frequently violated in practice due to unobserved or poorly measured covariates. Proximal causal inference (PCI) offers a promising framework for addressing unmeasured confounding using a pair of outcome and treatment confounding proxies. However, existing PCI methods typically assume all specified proxies are valid, which may be unrealistic and is untestable without extra assumptions. In this paper, we develop a semiparametric approach for a many-proxy PCI setting that accommodates potentially invalid treatment confounding proxies. We introduce a new class of fortified confounding bridge functions and establish nonparametric identification of the population average treatment effect (ATE) under the assumption that at least $γ$ out of $K$ candidate treatment confounding proxies are valid, for any $γ\leq K$ set by the analyst without requiring knowledge of which proxies are valid. We establish a local semiparametric efficiency bound and develop a class of multiply robust, locally efficient estimators for the ATE. These estimators are thus simultaneously robust to invalid treatment confounding proxies and model misspecification of nuisance parameters. The proposed methods are evaluated through simulation and applied to assess the effect of right heart catheterization in critically ill patients.