Semi-Supervised Treatment Effect Estimation with Unlabeled Covariates for Prediction-Powered Causal Inference
利用无标签协变量的半监督处理效应估计与预测驱动因果推断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：摘要直接研究半监督数据下的处理效应、效率界及有效估计。
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
利用无标签协变量的半监督处理效应估计与预测驱动因果推断
- 研究问题
- 除包含协变量、处理和结果的常规数据外，仅有协变量的辅助样本能否提高处理效应估计效率，且不同抽样结构有何影响？
- 方法与思路
- 作者分别研究单一样本中部分处理和结果未观测的情形，以及独立有标签与无标签样本的情形，推导效率界并构造有效估计量。
- 材料陈述的贡献
- 摘要称两种数据生成机制下，辅助协变量可降低效率界，所构造估计量的渐近方差达到该界，并将框架解释为预测驱动因果推断。
- 阅读关注点
- 应核对处理效应的识别条件、标签缺失或抽样机制、两类样本的可比性，以及效率增益如何依赖辅助样本规模和协变量信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明缺失机制与识别条件，不能推断任意无标签数据都会严格提高效率。
原文摘要
This study investigates treatment effect estimation in the semi-supervised setting, also can be interpreted as prediction-powered inference. In our setting, we can use not only the standard triple of covariates, treatment indicator, and outcome, but also unlabeled auxiliary covariates. For this problem, we develop efficiency bounds and efficient estimators whose asymptotic variance aligns with the efficiency bound. In the analysis, we introduce two different data-generating processes: the one-sample setting and the two-sample setting. The one-sample setting considers the case where we can observe treatment indicators and outcomes for a part of the dataset, which is also called the censoring setting. In contrast, the two-sample setting considers two independent datasets with labeled and unlabeled data, which is also called the case-control setting or the stratified setting. In both settings, we find that by incorporating auxiliary covariates, we can lower the efficiency bound and obtain an estimator with an asymptotic variance smaller than that without such auxiliary covariates. We frame our framework as prediction-powered causal inference.