Multiply-Robust Causal Change Attribution
多重稳健的因果变化归因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：摘要以给定因果模型下的机制归因为核心，研究对象明确是结果分布的变化，因此对应因果推断与分布效应方向。
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
多重稳健的因果变化归因
- 研究问题
- 当两组样本的结果分布发生变化且存在多个解释变量时，如何在给定因果模型下量化每个因果机制对分布变化的贡献？
- 方法与思路
- 作者结合回归与再加权构造因果机制贡献的估计策略，使目标参数在部分模型误设时仍可恢复，并将该估计嵌入 Shapley 等归因框架。
- 材料陈述的贡献
- 摘要称，估计器具有多重稳健性、一致性和渐近正态性，相关性质可传递至归因框架，并提供模拟、实证应用及 DoWhy 实现。
- 阅读关注点
- 应核对因果模型与机制替换的定义、可容许的误设组合、回归和权重估计要求，以及归因参数和渐近分布的具体构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；多重稳健不意味着任意误设均有效，摘要未列出识别条件、误设范围或应用细节。
原文摘要
Comparing two samples of data, we observe a change in the distribution of an outcome variable. In the presence of multiple explanatory variables, how much of the change can be explained by each possible cause? We develop a new estimation strategy that, given a causal model, combines regression and re-weighting methods to quantify the contribution of each causal mechanism. Our proposed methodology is multiply robust, meaning that it still recovers the target parameter under partial misspecification. We prove that our estimator is consistent and asymptotically normal. Moreover, it can be incorporated into existing frameworks for causal attribution, such as Shapley values, which will inherit the consistency and large-sample distribution properties. Our method demonstrates excellent performance in Monte Carlo simulations, and we show its usefulness in an empirical application. Our method is implemented as part of the Python library DoWhy (arXiv:2011.04216, arXiv:2206.06821).