Practically Effective Adjustment Variable Selection in Causal Inference
因果推断中具有实际效果的调整变量选择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：摘要明确以后门准则、因果图和混杂调整变量选择为核心，并研究因果效应可计算性，因此对应因果推断。
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…
关注这篇论文的作者
因果推断中具有实际效果的调整变量选择
- 研究问题
- 满足后门准则的调整变量集合可能不唯一，而有限样本限制估计精度时，如何选择变量以避免因果效应估计精度下降？
- 方法与思路
- 作者提出候选调整变量的选择准则和算法，先研究有向无环图，再给出向完成部分有向无环图推广的步骤，并讨论效应可计算性。
- 材料陈述的贡献
- 摘要称提出变量选择方法并证明关于完成部分有向无环图中因果效应可计算性的定理，使用已有和人工数据展示实际用途。
- 阅读关注点
- 核对候选集合如何保证有效调整、选择准则针对何种估计误差，以及图结构不完全确定时效应可计算性定理的条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明定理条件、图结构的获取方式或实际精度改进幅度。
原文摘要
In the estimation of causal effects, one common method for removing the influence of confounders is to adjust the variables that satisfy the back-door criterion. However, it is not always possible to uniquely determine sets of such variables. Moreover, real-world data is almost always limited, which means it may be insufficient for statistical estimation. Therefore, we propose criteria for selecting variables from a list of candidate adjustment variables along with an algorithm to prevent accuracy degradation in causal effect estimation. We initially focus on directed acyclic graphs (DAGs) and then outlines specific steps for applying this method to completed partially directed acyclic graphs (CPDAGs). We also present and prove a theorem on causal effect computation possibility in CPDAGs. Finally, we demonstrate the practical utility of our method using both existing and artificial data.