Causal Inference with Corrupted Data: Measurement Error, Missing Values, Discretization, and Differential Privacy
受损数据下的因果推断：测量误差、缺失、离散化与差分隐私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：摘要直接研究受损协变量下的因果效应估计及经过数据清洗调整的统计推断。
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…
关注这篇论文的作者
受损数据下的因果推断：测量误差、缺失、离散化与差分隐私
- 研究问题
- 高维协变量受到测量误差、缺失、离散化或隐私处理影响时，能否通过数据清洗维持因果估计与置信区间的可靠性？
- 方法与思路
- 作者建立半参数因果模型，在真实协变量近似低秩的假设下结合数据清洗、估计和推断，并调整清洗带来的不确定性。
- 材料陈述的贡献
- 摘要称以有限样本论证建立一致性和高斯近似，半参数目标达到根号样本量速率，并用校准模拟检验区间覆盖。
- 阅读关注点
- 应核对近似低秩与重复测量的联系、各类数据损坏机制、因果识别条件，以及清洗误差如何进入置信区间。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未说明完整识别条件、损坏程度限制或模拟覆盖数值。
原文摘要
The US Census Bureau will deliberately corrupt data sets derived from the 2020 US Census, enhancing the privacy of respondents while potentially reducing the precision of economic analysis. To investigate whether this trade-off is inevitable, we formulate a semiparametric model of causal inference with high dimensional corrupted data. We propose a procedure for data cleaning, estimation, and inference with data cleaning-adjusted confidence intervals. We prove consistency and Gaussian approximation by finite sample arguments, with a rate of $n^{ 1/2}$ for semiparametric estimands that degrades gracefully for nonparametric estimands. Our key assumption is that the true covariates are approximately low rank, which we interpret as approximate repeated measurements and empirically validate. Our analysis provides nonasymptotic theoretical contributions to matrix completion, statistical learning, and semiparametric statistics. Calibrated simulations verify the coverage of our data cleaning adjusted confidence intervals and demonstrate the relevance of our results for Census-derived data.