Measurement bias and effect restoration in causal inference
因果推断中的测量偏差与效应恢复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。
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：摘要明确讨论未观测混杂、代理变量和因果效应恢复，直接属于因果推断。
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…
因果推断中的测量偏差与效应恢复
- 研究问题
- 存在测量误差和未观测混杂因素时，能否借助混杂因素的代理变量，在有或没有外部研究信息的情况下恢复因果效应？
- 方法与思路
- 作者运用图方法分析参数和非参数模型中的未观测混杂控制，并研究无偏效应估计的计算问题及代理变量的作用。
- 材料陈述的贡献
- 摘要称推导了利用未观测混杂因素代理变量恢复因果效应的新条件，同时区分是否借助外部研究信息的情形。
- 阅读关注点
- 应核对代理变量与混杂因素、处理和结果之间的图结构要求，以及外部研究提供的信息、可识别效应和具体计算程序。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；效应恢复的具体条件未给出，不能认为只要观察到代理变量就能消除混杂偏差。
原文摘要
This paper highlights several areas where graphical techniques can be harnessed to address the problem of measurement errors in causal inference. In particular, it discusses the control of unmeasured confounders in parametric and nonparametric models and the computational problem of obtaining bias-free effect estimates in such models. We derive new conditions under which causal effects can be restored by observing proxy variables of unmeasured confounders with/without external studies.