Stable Causal Estimation with Optimal Transport
基于最优传输的稳定因果估计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：摘要核心是观察性研究中的平均因果效应估计、重叠假设与逆倾向加权，直接对应因果推断方向。
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…
关注这篇论文的作者
基于最优传输的稳定因果估计
- 研究问题
- 在观察性研究中，当重叠假设（正性）成立但严格重叠不成立时，如何稳定地估计平均因果效应，避免逆倾向加权因密度比发散而方差爆炸。
- 方法与思路
- 作者提出稳定传输估计量（STE），用最优传输映射替代重加权，构造几何感知的反事实比较，无需密度估计或倾向得分建模；在协变量支撑仅部分重叠时，用线性插值传输映射进行外推。
- 材料陈述的贡献
- 摘要称STE的方差不含密度比因子，仅由传输映射决定，在有界矩下保持有限；作者建立了相合性、渐近正态性，并给出显式包含估计传输映射贡献的渐近方差刻画。
- 阅读关注点
- 应核对重叠与严格重叠的具体定义、传输映射的识别与估计假设、渐近方差中传输映射估计贡献的推导条件，以及合成与真实数据实验的设计和对比基准。
- 阅读边界
- 这是arXiv预印本，未经同行评审或期刊接收；摘要未说明具体数据来源、样本量、数值结果细节及外推偏差-方差权衡的量化程度，不能据此判断方法优越性。
原文摘要
In observational studies, the overlap assumption, also called positivity, is frequently strained in practice. Limited overlap destabilizes widely used estimators such as inverse propensity weighting (IPW), whose variance depends on density ratios that explode as propensity scores approach zero or one. To address this challenge, we propose the Stable Transport Estimator (STE), an optimal transport-based approach for estimating average causal effects when overlap holds but strict overlap fails. Unlike IPW, the variance of STE contains no density-ratio factor; it is governed by the transport map itself and stays finite under bounded moments, even when density ratios diverge. By replacing reweighting with a geometry-aware transport map, STE constructs stable counterfactual comparisons without requiring density estimation or propensity score modeling. STE further extends to settings where the overlap condition is violated: when covariate supports overlap only partially, a linear interpolation transport map enables principled extrapolation with explicit bias-variance trade-offs. We establish consistency, asymptotic normality, and a variance characterization that makes explicit the contribution of the estimated transport map to the asymptotic variance. Across synthetic and real datasets, STE demonstrates improved robustness, reduced bias, and markedly more stable variance compared to existing estimators.