Causal Partial Identification via Conditional Optimal Transport
通过条件最优输运实现因果部分识别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：摘要研究潜在结局联合分布决定的因果目标及其部分识别，直接涉及因果推断和分布层面的处理效应。
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…
通过条件最优输运实现因果部分识别
- 研究问题
- 对于依赖同一个体处理与对照潜在结局联合分布的因果目标，如何利用处理前协变量缩小识别集，并一致估计条件输运值？
- 方法与思路
- 作者在适应 Wasserstein 距离诱导的更强拓扑下证明条件输运泛函连续，据此构造无需估计干扰参数的直接非参数估计量。
- 材料陈述的贡献
- 摘要称解决直接插件估计面对的弱拓扑不连续问题，建立新估计量的相合性和收敛速度，并在模拟中报告相对性能改善。
- 阅读关注点
- 应核对因果识别集与条件输运问题的对应关系、适应距离的定义，以及相合性条件、收敛速度的维数依赖和比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出具体因果目标、识别假设和收敛率，模拟优势的范围仍需核对。
原文摘要
We study the estimation of causal estimand involving the joint distribution of treatment and control outcomes for a single unit. In typical causal inference settings, it is impossible to observe both outcomes simultaneously, which places our estimation within the domain of partial identification (PI). Pre-treatment covariates can substantially reduce estimation uncertainty by shrinking the partially identified set. Recent work has shown that covariate-assisted PI sets can be characterized through conditional optimal transport (COT) problems. However, finite-sample estimation of COT poses significant challenges, primarily because the COT functional is discontinuous under the weak topology, rendering the direct plug-in estimator inconsistent. To address this issue, existing literature relies on relaxations or indirect methods involving the estimation of non-parametric nuisance statistics. In this work, we demonstrate the continuity of the COT functional under a stronger topology induced by the adapted Wasserstein distance. Leveraging this result, we propose a direct, consistent, non-parametric estimator for COT value that avoids nuisance parameter estimation. We derive the convergence rate for our estimator and validate its effectiveness through comprehensive simulations, demonstrating its improved performance compared to existing approaches.