Minimum Specification Perturbation: Robustness as Distance-to-Falsification in Causal Inference
最小设定扰动：以距证伪的距离衡量因果推断稳健性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：摘要直接讨论经验因果结论对协变量和估计方法等分析决策的稳健性。
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
最小设定扰动：以距证伪的距离衡量因果推断稳健性
- 研究问题
- 对一项经验因果结论，至少需要改变多少个分析者决策，才能使某个模型设定的置信区间包含零，而不仅是观察估计结果的离散程度？
- 方法与思路
- 作者定义最小设定扰动 MSP，在设定空间中寻找使区间含零的最少决策改动，并研究随机化下的置换校准及计算复杂度。
- 材料陈述的贡献
- 摘要称 MSP 提供离散度指标不能反映的稳健性信息，并区别于观测值脆弱性；同时给出可计算情形、一般 NP 难度与基准应用。
- 阅读关注点
- 应核对允许改变的决策集合、改动计数规则、置换校准条件，以及弱效应下较低假阳性率所依赖的决策规则和比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未详述设定空间，区间包含零也不能直接视为因果命题已被证伪。
原文摘要
Empirical causal claims depend on many analyst decisions, from selecting covariates to choosing estimators. Existing robustness tools summarize how results vary across these choices, but, to the best of our knowledge, do not answer: \textbf{How many analyst decisions must change to reach a specification, which is a set of choices, whose confidence interval (CI) contains zero?} We introduce \emph{Minimum Specification Perturbation (MSP)}, the smallest number of changes. MSP is small under the null, grows with effect strength and captures distance-to-falsification information that dispersion-based summaries cannot report; when making decisions under weak effects, an MSP-based rule yields lower false-positive rates than dispersion-based rules. We show that Fragility Index and MSP measure orthogonal vulnerabilities: fragility to influential observations need not imply fragility to specification choices. On the LaLonde benchmark, MSP = 1 implies that one decision change makes the CI contain zero. We further provide exact permutation calibration under randomization and characterize computation, showing tractable cases under additive structure and NP-hardness in general.