Latent confounding in high-dimensional nonlinear models
高维非线性模型中的潜在混杂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：摘要明确研究潜在混杂下的因果参数估计和因果DAG边检验。
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
高维非线性模型中的潜在混杂
- 研究问题
- 在高维处理向量受到低维潜在混杂影响时，如何估计非线性结构模型的因果参数，混杂较弱时是否仍能获得良好速率？
- 方法与思路
- 作者允许结果非线性依赖于处理及混杂的稀疏线性组合，推广LAVA估计，并将其用于存在潜在混杂的因果图边检验。
- 材料陈述的贡献
- 摘要称，在稠密混杂条件下可达到无混杂时的参数估计速率，且允许载荷矩阵最小非零奇异值增长慢于处理维度平方根。
- 阅读关注点
- 应核对稠密混杂与结果稀疏结构的相容条件、非线性模型限制，以及弱混杂范围和因果图边检验的有效性条件。
- 阅读边界
- 这是arXiv预印本，同行评审及期刊接收未核实；摘要未列出完整识别与速率条件，不能推广至任意未观测混杂。
原文摘要
We consider the the problem of identifying causal effects given a high-dimensional treatment vector in the presence of low-dimensional latent confounders. We assume a parametric structural causal model in which the outcome is permitted to depend on a sparse linear combination of the treatment vector and confounders nonlinearly. We consider a generalisation of the LAVA estimator of Chernozhukov et al. [2017] for estimating the treatment effects and show that under the so-called `dense confounding' assumption that each confounder can affect a wide range of observed treatment variables, one can estimate the causal parameters at the same rate as possible without confounding. Notably, the results permit a form of weak confounding in that the minimum non-zero singular value of the loading matrix of the confounders can grow more slowly than the $\sqrt{p}$, where $p$ is the dimension of the treatment vector. We further use our generalised LAVA procedure within a generalised covariance measure-based test for edges in a causal DAG in the presence of latent confounding.