The Confounder Trap: Treatment-Encoding Representations in Causal Inference with Text
混杂变量陷阱：文本因果推断中编码处理的表示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：摘要直接研究观察性文本中的处理效应、混杂调整与重叠条件，属于因果推断方向。
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…
混杂变量陷阱：文本因果推断中编码处理的表示
- 研究问题
- 文本同时包含处理信号和调整所需属性时，从全文学习的表示是否会直接编码处理，进而人为破坏处理组与对照组的重叠？
- 方法与思路
- 作者提出先屏蔽定义处理的词汇再学习调整表示，形式化表示诱发的重叠失败，并分别讨论删除屏蔽与替换屏蔽。
- 材料陈述的贡献
- 摘要称，删除屏蔽可在词袋和主题模型表示下保留重叠；模拟中屏蔽改善重叠诊断、稳定效应估计并降低相对偏误。
- 阅读关注点
- 应核对处理词汇如何定义、删除屏蔽保留重叠的证明条件，以及屏蔽是否损失必要混杂信息和大语言模型替换方案的保证。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明完整因果识别条件，改善重叠本身不足以保证调整充分或消除所有偏误。
原文摘要
Estimating causal effects of linguistic properties from observational text is difficult because the same document can contain both the treatment of interest and the non-treatment textual attributes needed for adjustment. Existing approaches often learn representations from the full text to capture latent confounding, but when treatment status is itself encoded by words in the text, these representations can directly encode treatment. This creates a confounder trap: richer representations can make treated and control documents separable, inducing overlap violations even when the underlying causal problem satisfies overlap. We study latent text treatments that are encoded through lexicons or other treatment-defining lexical information, and propose masking-based adjustment representations that remove this lexical treatment signal before representation learning. We formalize representation-induced overlap failure, prove that deletion masking preserves overlap for bag-of-words/topic-model representations, and characterize replacement masking as a natural relaxation for large language models that hides treatment-defining tokens while preserving word order and context. Across simulations, masking improves overlap diagnostics, stabilizes treatment effect estimates, and reduces bias relative to adjustment methods that learn from the unmasked text.