Quantifying Sufficient Randomness for Causal Inference
量化因果推断所需的充分随机性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：摘要明确针对自然实验与准实验的因果推断，提出随机性阈值与敏感性分析。
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…
量化因果推断所需的充分随机性
- 研究问题
- 在自然实验与准实验中，如何衡量处理倾向和个体结局风险的共同变动，并评估数据生成过程的随机性是否足以支持因果推断？
- 方法与思路
- 作者在潜在倾向与风险模型中，以两者变异的标准化指标构造敏感性参数，并由列联表计算充分随机性的阈值。
- 材料陈述的贡献
- 摘要称在其模型内，若实际随机性超过所计算阈值，即可支持因果推断，从而提供一种量化因果不确定性的敏感性分析。
- 阅读关注点
- 应核对随机性的数学定义、阈值推导依赖的模型条件，以及不可观测的实际随机性如何被约束或用于敏感性判断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明实际随机性的可识别性，阈值结论不能脱离其模型条件。
原文摘要
Spurious association arises from covariance between propensity for the treatment and individual risk for the outcome. For sensitivity analysis with stochastic counterfactuals we introduce a methodology to characterize uncertainty in causal inference from natural experiments and quasi-experiments. Our sensitivity parameters are standardized measures of variation in propensity and individual risk, and one minus their geometric mean is an intuitive measure of randomness in the data generating process. Within our latent propensity-risk model, we show how to compute from contingency table data a threshold, $T$, of sufficient randomness for causal inference. If the actual randomness of the data generating process exceeds this threshold then causal inference is warranted.