Learning sources of variability from high-dimensional observational studies
从高维观察性研究中学习变异来源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：摘要直接推广因果估计目标，并构造适用于高维结局的因果差异检验。
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
从高维观察性研究中学习变异来源
- 研究问题
- 当结局具有多个维度或取值于一般可测空间时，如何突破传统单变量因果效应分析的限制，构造可检验的因果差异目标？
- 方法与思路
- 作者推广因果估计目标，将名义变量的传统目标表述为因果差异检验，并调整条件独立性检验，提出 Causal CDcorr 方法。
- 材料陈述的贡献
- 摘要称，调整后的检验具有普遍一致性；数值实验显示，相较已有策略，其有限样本有效性与检验功效有所改善。
- 阅读关注点
- 应核对因果差异的定义、观察数据到因果检验的识别环节，以及普遍一致性所需条件和模拟中有效性、功效的比较方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出识别与一致性的具体条件，也未报告模拟数值，不能推断普遍优势。
原文摘要
Causal inference studies whether the presence of a variable influences an observed outcome. As measured by quantities such as the "average treatment effect," this paradigm is employed across numerous biological fields, from vaccine and drug development to policy interventions. Unfortunately, the majority of these methods are often limited to univariate outcomes. Our work generalizes causal estimands to outcomes with any number of dimensions or any measurable space, and formulates traditional causal estimands for nominal variables as causal discrepancy tests. We propose a simple technique for adjusting universally consistent conditional independence tests and prove that these tests are universally consistent causal discrepancy tests. Numerical experiments illustrate that our method, Causal CDcorr, leads to improvements in both finite sample validity and power when compared to existing strategies. Our methods are all open source and available at github.com/ebridge2/cdcorr.