Stochastic interventions, sensitivity analysis, and optimal transport
随机干预、敏感性分析与最优传输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：摘要直接讨论未观测混杂下的干预效应、敏感性分析及尖锐因果界限，因此归入因果推断。
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…
随机干预、敏感性分析与最优传输
- 研究问题
- 存在未观测混杂时，为何常规随机干预的效应界限在政策接近观测机制时仍不收缩，又如何构造改善这一性质的政策？
- 方法与思路
- 作者允许政策依赖协变量、处理的自然取值及额外随机性，并借助最优传输刻画最坏情形界限宽度最小的广义政策。
- 材料陈述的贡献
- 摘要称部分广义政策可解决界限不收缩问题，给出相应因果效应的尖锐界限，并提出灵活、高效且稳健的估计方法。
- 阅读关注点
- 应核对广义政策的因果定义、敏感性模型、收缩与最优性的具体条件，以及尖锐界限的识别和估计所需假设。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出各敏感性模型和估计条件，结论不能直接推广至任意政策。
原文摘要
Recent methodological research in causal inference has focused on effects of stochastic interventions, which assign treatment randomly, often according to subject-specific covariates. In this work, we demonstrate that the usual notion of stochastic interventions have a surprising property: when there is unmeasured confounding, bounds on their effects do not collapse when the policy approaches the observational regime. As an alternative, we propose to study generalized policies, treatment rules that can depend on covariates, the natural value of treatment, and auxiliary randomness. We show that certain generalized policy formulations can resolve the "non-collapsing" bound issue: bounds narrow to a point when the target treatment distribution approaches that in the observed data. Moreover, drawing connections to the theory of optimal transport, we characterize generalized policies that minimize worst-case bound width in various sensitivity analysis models, as well as corresponding sharp bounds on their causal effects. These optimal policies are new, and can have a more parsimonious interpretation compared to their usual stochastic policy analogues. Finally, we develop flexible, efficient, and robust estimators for the sharp nonparametric bounds that emerge from the framework.