Bias Formulas for Violations of Proximal Identification Assumptions
近端识别假设违反时的偏差公式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：摘要直接研究未观测混杂下近端因果推断的识别假设与效应估计偏差。
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…
近端识别假设违反时的偏差公式
- 研究问题
- 近端因果推断依赖的部分假设无法经验检验；当这些假设被违反时，处理效应估计产生怎样的偏差，能否用于敏感性分析？
- 方法与思路
- 作者在线性结构方程的数据生成框架下推导近端推断估计量的偏差公式，研究利用负对照结果和暴露作为混杂代理时的假设违反。
- 材料陈述的贡献
- 摘要称这些公式为近端估计的敏感性分析和定量偏差分析提供第一步，并可能帮助理解更一般情形下的估计行为。
- 阅读关注点
- 应核对被违反的具体假设、线性结构方程及偏差表达式，明确哪些参数可由数据估计、哪些需外部设定或敏感性取值。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；结果限于特定数据生成过程族，对一般非线性模型的推广尚不能由摘要确认。
原文摘要
Causal inference from observational data often rests on the unverifiable assumption of no unmeasured confounding. Recently, Tchetgen Tchetgen and colleagues have introduced proximal inference to leverage negative control outcomes and exposures as proxies to adjust for bias from unmeasured confounding. However, some of the key assumptions that proximal inference relies on are themselves empirically untestable. Additionally, the impact of violations of proximal inference assumptions on the bias of effect estimates is not well understood. In this paper, we derive bias formulas for proximal inference estimators under a linear structural equation model data generating process. These results are a first step toward sensitivity analysis and quantitative bias analysis of proximal inference estimators. While limited to a particular family of data generating processes, our results may offer some more general insight into the behavior of proximal inference estimators.