Efficient Online Estimation of Causal Effects by Deciding What to Observe
通过选择观测内容高效在线估计因果效应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：摘要明确以平均处理效应为实例，并用因果图、混杂变量、中介和工具变量构造识别矩条件，故归入因果推断。
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…
通过选择观测内容高效在线估计因果效应
- 研究问题
- 多个数据源分别观测不同变量时，如何随数据获取过程选择查询来源，以更小均方误差估计目标函数或平均处理效应？
- 方法与思路
- 作者提出在线矩选择框架，用矩条件编码结构假设，设计先探索后固定与先探索后贪心策略，平衡信息探索和当前最优选择。
- 材料陈述的贡献
- 摘要称两种策略按均方误差衡量均达到零渐近遗憾，并将框架用于含中介、混杂变量及工具变量等数据源的处理效应估计。
- 阅读关注点
- 应核对数据源选择如何影响识别和方差、探索阶段的安排、零渐近遗憾的比较基准，以及因果图对应的矩条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未列出算法保证的具体条件和有限样本表现，不能据此保证实际采集最优。
原文摘要
Researchers often face data fusion problems, where multiple data sources are available, each capturing a distinct subset of variables. While problem formulations typically take the data as given, in practice, data acquisition can be an ongoing process. In this paper, we aim to estimate any functional of a probabilistic model (e.g., a causal effect) as efficiently as possible, by deciding, at each time, which data source to query. We propose online moment selection (OMS), a framework in which structural assumptions are encoded as moment conditions. The optimal action at each step depends, in part, on the very moments that identify the functional of interest. Our algorithms balance exploration with choosing the best action as suggested by current estimates of the moments. We propose two selection strategies: (1) explore-then-commit (OMS-ETC) and (2) explore-then-greedy (OMS-ETG), proving that both achieve zero asymptotic regret as assessed by MSE. We instantiate our setup for average treatment effect estimation, where structural assumptions are given by a causal graph and data sources may include subsets of mediators, confounders, and instrumental variables.