When Is Causal Inference Possible? A Statistical Test for Unmeasured Confounding
何时可以进行因果推断？未测量混杂的统计检验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：摘要明确讨论潜在结局、因果图、无混杂假设及随机试验与观察研究比较，核心是因果识别条件的统计评估。
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…
何时可以进行因果推断？未测量混杂的统计检验
- 研究问题
- 无混杂假设无法仅靠单个观察数据集评估时，能否结合随机对照试验与观察研究，检验未测量混杂并判断因果分析的可行性？
- 方法与思路
- 作者形式化区分因果参数与统计参数，连接潜在结局和因果图框架，再通过比较随机试验与观察研究提出无混杂检验。
- 材料陈述的贡献
- 摘要称所提检验控制第一类错误概率，并在线性模型下分析功效，为评估观察数据是否适合因果推断提供一种方法。
- 阅读关注点
- 应核对两个数据源之间需要哪些可比性与迁移条件、检验原假设的准确内容，以及第一类错误控制和线性模型功效的条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明跨数据源条件，未拒绝原假设不能证明没有混杂。
原文摘要
This paper clarifies a fundamental difference between causal inference and traditional statistical inference by formalizing a mathematical distinction between their respective parameters. We connect two major approaches to causal inference, the potential outcomes framework and causal structure graphs, which are typically studied separately. While the unconfoundedness assumption in the potential outcomes framework cannot be assessed from an observational dataset alone, causal structure graphs help explain when causal effects are identifiable through graphical models. We propose a statistical test to assess the unconfoundedness assumption, equivalent to the absence of unmeasured confounding, by comparing two datasets: a randomized controlled trial and an observational study. The test controls the Type I error probability, and we analyze its power under linear models. Our approach provides a practical method to evaluate when real-world data are suitable for causal inference.