Bounds on Causal Effects and Application to High Dimensional Data
因果效应的界及其在高维数据中的应用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：摘要围绕后门与前门调整变量不完全观测时的因果效应界展开，直接属于因果推断。
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
因果效应的界及其在高维数据中的应用
- 研究问题
- 当满足后门或前门准则所需的调整变量仅部分可观测时，因果效应还能被约束到什么范围，降维又会带来怎样的权衡？
- 方法与思路
- 作者通过求解两个非线性优化问题构造因果效应的界，并据此提出降维框架，用模拟考察偏差与估计能力之间的取舍。
- 材料陈述的贡献
- 摘要称推导了部分观测调整变量情形下的因果效应界，证明这些界的充分性，并展示了相关降维框架的模拟表现。
- 阅读关注点
- 应核对部分观测的具体机制、优化问题的约束与求解方式，以及界的充分性含义和降维后偏差的衡量方法。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未说明可计算性、界是否可达及模拟中权衡的具体结果。
原文摘要
This paper addresses the problem of estimating causal effects when adjustment variables in the back-door or front-door criterion are partially observed. For such scenarios, we derive bounds on the causal effects by solving two non-linear optimization problems, and demonstrate that the bounds are sufficient. Using this optimization method, we propose a framework for dimensionality reduction that allows one to trade bias for estimation power, and demonstrate its performance using simulation studies.