Collaborative representations for targeted causal inference under outcome selection
结果选择下用于目标因果推断的协作表征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：摘要明确以结果缺失下平均处理效应估计和目标化因果学习为研究对象。
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
结果选择下用于目标因果推断的协作表征
- 研究问题
- 当结果变量缺失时，如何让暴露与选择模型服务于平均处理效应估计，避免预测准确却放大结果回归偏差或弱重叠问题？
- 方法与思路
- 作者利用编码结果回归漂移的交叉拟合伪结果学习低维表征，交替更新目标化结果模型与表征，并通过内层交叉验证选择配置。
- 材料陈述的贡献
- 摘要称给出协作稳健性、一致性和渐近线性的高层充分条件；模拟报告有限样本偏差降低，同时明确不同配置与估计量之间的偏差方差权衡。
- 阅读关注点
- 应核对结果选择下目标效应的识别条件、伪结果构造与目标风险、内外层验证如何分工，以及渐近条件和有限样本权衡。
- 阅读边界
- 材料为 arXiv v1 预印本，未核验同行评审或期刊接收；摘要未列完整缺失机制与识别条件，不能推断任意结果选择下均可恢复因果效应。
原文摘要
Estimating causal effects with missing outcomes requires learning outcome, exposure, and selection models. Flexible propensity learners can predict treatment or missingness well while worsening target estimation by emphasizing instruments, weak-overlap regions, or variation unrelated to outcome-regression bias. We propose a collaborative representation-based targeted learning method for recovered average treatment effects under outcome selection. The method learns low-dimensional exposure and selection representations from cross-fitted pseudo-outcomes that encode outcome-regression drift. A finite candidate library alternates targeted outcome updates with representation updates, and inner cross-validation selects representation complexity, collaboration strength, and regularization using a target-aware risk. We give high-level sufficient conditions for collaborative robustness, consistency, and asymptotic linearity after outer validation-fold targeting. Simulations show finite-sample bias reduction, with explicit bias-variance trade-offs across configurations and relative to competing estimators