Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap
弱重叠下因果效应估计的去混杂得分与表示学习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：摘要以因果处理效应的重叠条件、识别保持及倾向和预后得分为研究核心。
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…
弱重叠下因果效应估计的去混杂得分与表示学习
- 研究问题
- 在高维特征导致处理组之间重叠较弱时，如何寻找既保留因果识别和原估计目标、又改善表示空间重叠的特征得分？
- 方法与思路
- 作者定义去混杂得分类，在保留识别的约束下最小化重叠散度，并在高斯特征与一类广义线性模型中推导闭式表示。
- 材料陈述的贡献
- 摘要称，倾向得分与预后得分是该框架的特例；在所刻画的模型与得分类内，预后得分具有重叠最优性。
- 阅读关注点
- 应核对去混杂约束如何保持原目标、重叠散度的定义，以及高斯特征和广义线性模型限制及得分估计误差的影响。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或接收。最优性限定于所研究的得分类，摘要未说明一般分布下的结论或完整推断理论。
原文摘要
Overlap, also known as positivity, is a key condition for causal treatment effect estimation. Many popular estimators suffer from high variance and become brittle when features differ strongly across treatment groups. This is especially challenging in high dimensions: the curse of dimensionality can make overlap implausible. To address this, we propose a class of feature representations called deconfounding scores, which preserve both identification and the target of estimation; the classical propensity and prognostic scores are two special cases. We characterize the problem of finding a representation with better overlap as minimizing an overlap divergence under a deconfounding score constraint. We then derive closed-form expressions for a class of deconfounding scores under a broad family of generalized linear models with Gaussian features and show that prognostic scores are overlap-optimal within this class. We conduct extensive experiments to assess this behavior empirically.