Causal Bias Quantification for Continuous Treatments
连续处理的因果偏差量化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：摘要明确以连续处理的因果效应、协变量调整识别和因果偏差为研究对象，足以归入因果推断，其他细分缺乏直接依据。
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…
连续处理的因果偏差量化
- 研究问题
- 在连续处理的结构因果模型中，如何定义边际因果效应、刻画协变量调整产生的因果偏差，并判断何时可以估计这一偏差？
- 方法与思路
- 作者扩展边际因果效应定义并推导偏差表达式，在结构方程的某些限制下研究高效估计，同时将偏差用于概率预测模型的因果正则化。
- 材料陈述的贡献
- 摘要称其偏差表达式为零当且仅当因果效应可通过协变量调整识别，并展示控制或不控制某些协变量导致偏差的不同情形。
- 阅读关注点
- 应核对零偏差与调整识别等价结论的量词和条件、结构方程限制，以及偏差估计与因果正则化所需的可观测信息。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已经同行评审或期刊接收；摘要未给出结构限制、具体偏差公式及效率结论的适用范围。
原文摘要
We extend the definition of the marginal causal effect to the continuous treatment setting and develop a novel characterization of causal bias in the framework of structural causal models. We prove that our derived bias expression is zero if, and only if, the causal effect is identifiable via covariate adjustment. We show that under some restrictions on the structural equations, the causal bias can be estimated efficiently and allows for causal regularization of predictive probabilistic models. We demonstrate the effectiveness of our method for causal bias quantification in various settings where (not) controlling for certain covariates would introduce causal bias.