Positivity: Identifiability and Estimability
正值性：可识别性与可估计性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：摘要直接讨论因果推断的正值性假设及其对非参数识别、估计和机器学习方法的限制。
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…
正值性：可识别性与可估计性
- 研究问题
- 混杂变量组合下行动概率为正的要求，如何区分确定性与随机性层面的正值性，并影响因果目标的识别和估计？
- 方法与思路
- 作者重新讨论两类正值性的区别及其与非参数可识别性、可估计性的关系，同时讨论违背情形和数据自适应算法。
- 材料陈述的贡献
- 摘要所述贡献是澄清正值性的不同层面及其推断意义，并将这一问题与机器学习在因果推断中的能力边界联系起来。
- 阅读关注点
- 应核对两类正值性的正式定义、总体支持与样本稀疏问题的区别，以及各种应对方式是否改变目标参数或依赖额外假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体补救方案及其保证，不能认为机器学习能消除正值性问题。
原文摘要
Positivity, the assumption that every unique combination of confounding variables that occurs in a population has a non-zero probability of an action, can be further delineated as deterministic positivity and stochastic positivity. Here, we revisit this distinction, examine its relation to nonparametric identifiability and estimability, and discuss how to address violations of positivity assumptions. Finally, we relate positivity to recent interest in machine learning, as well as the limitations of data-adaptive algorithms for causal inference. Positivity may often be overlooked, but it remains important for inference.