Regression-Based Proximal Causal Inference
基于回归的近端因果推断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：摘要明确研究未观测混杂、负对照代理与近端因果效应校正。
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…
基于回归的近端因果推断
- 研究问题
- 如何利用处理侧和结果侧的负对照或混杂代理变量校正未观测混杂，并避免近端因果推断中难以求解的病态积分方程？
- 方法与思路
- 作者提出两阶段广义线性回归实现近端因果推断，覆盖连续、计数和二元结果，允许使用现成 GLM 软件实施估计。
- 材料陈述的贡献
- 摘要称，该方法绕开困难积分方程的直接求解，建立相关统计性质，并通过模拟与真实应用展示其推断表现和实施便利性。
- 阅读关注点
- 应核对代理变量的因果条件、两阶段 GLM 与桥函数的对应，以及模型设定要求、第一阶段误差传播和不同结果类型的推断方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明完整识别条件、模型限制或数值结果，方便实施不代表可用任意代理校正混杂。
原文摘要
Negative controls are increasingly used to evaluate the presence of potential unmeasured confounding in observational studies. Beyond the use of negative controls to detect the presence of residual confounding, proximal causal inference (PCI) was recently proposed to de-bias confounded causal effect estimates, by leveraging a pair of treatment and outcome negative control or confounding proxy variables. While formal methods for statistical inference have been developed for PCI, these methods can be challenging to implement as they involve solving complex integral equations that are typically ill-posed. We develop a regression-based PCI approach, employing two-stage generalized linear regression models (GLMs) to implement PCI, which obviates the need to solve difficult integral equations. The proposed approach has merit in that (i) it is applicable to continuous, count, and binary outcomes cases, making it relevant to a wide range of real-world applications, and (ii) it is easy to implement using off-the-shelf software for GLMs. We establish the statistical properties of regression-based PCI and illustrate their performance in both synthetic and real-world empirical applications.