A note on efficient minimum cost adjustment sets in causal graphical models
因果图模型中的高效最低成本调整集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：摘要研究因果图中的调整集选择与干预均值估计，并比较有效调整方案的成本和渐近方差，直接对应因果推断。
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
因果图模型中的高效最低成本调整集
- 研究问题
- 当可观测协变量具有采集成本且因果图可能含隐藏变量时，如何在最低成本调整集中选出干预均值估计效率最高的集合？
- 方法与思路
- 作者在非参数因果图模型下，将调整集成本定义为变量成本之和，构造特殊流网络，通过最大流及增广路径可达节点选择集合。
- 材料陈述的贡献
- 摘要称，在存在可观测调整集且变量成本为正的设定下，最低成本集合中存在渐近方差最小的选择，并提供算法实现。
- 阅读关注点
- 应核对个体化治疗规则下调整集的有效性条件、渐近方差比较所涵盖的估计器，以及因果图到流网络的构造和最优性证明。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；效率最优仅针对最低成本可观测调整集的比较范围，摘要未展开证明条件。
原文摘要
We study the selection of adjustment sets for estimating the interventional mean under an individualized treatment rule. We assume a non-parametric causal graphical model with, possibly, hidden variables and at least one adjustment set comprised of observable variables. Moreover, we assume that observable variables have positive costs associated with them. We define the cost of an observable adjustment set as the sum of the costs of the variables that comprise it. We show that in this setting there exist adjustment sets that are minimum cost optimal, in the sense that they yield non-parametric estimators of the interventional mean with the smallest asymptotic variance among those that control for observable adjustment sets that have minimum cost. Our results are based on the construction of a special flow network associated with the original causal graph. We show that a minimum cost optimal adjustment set can be found by computing a maximum flow on the network, and then finding the set of vertices that are reachable from the source by augmenting paths. The optimaladj Python package implements the algorithms introduced in this paper.