Optimal Treatment Regimes for Proximal Causal Learning
近端因果学习的最优处理规则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：摘要明确研究未观测混杂下的近端因果识别与个体化处理决策。
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…
近端因果学习的最优处理规则
- 研究问题
- 当观察性数据中的已测协变量无法充分控制混杂时，如何利用代理变量识别并学习具有更高价值的个体化处理规则？
- 方法与思路
- 作者在近端因果推断框架下，基于结局混杂桥与处理混杂桥构造个体化处理规则，并开展识别、价值比较和估计理论分析。
- 材料陈述的贡献
- 摘要称，新规则相对所比较的既有规则具有更高价值，并给出识别、超额价值界与一致性保证，辅以数值实验和真实数据应用。
- 阅读关注点
- 应核对代理变量与桥函数的条件、可用决策信息及比较规则集合，尤其是价值优势结论的适用范围和估计误差界。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；优势属于作者在所设框架内的主张，具体条件与数值幅度未说明。
原文摘要
A common concern when a policymaker draws causal inferences from and makes decisions based on observational data is that the measured covariates are insufficiently rich to account for all sources of confounding, i.e., the standard no confoundedness assumption fails to hold. The recently proposed proximal causal inference framework shows that proxy variables that abound in real-life scenarios can be leveraged to identify causal effects and therefore facilitate decision-making. Building upon this line of work, we propose a novel optimal individualized treatment regime based on so-called outcome and treatment confounding bridges. We then show that the value function of this new optimal treatment regime is superior to that of existing ones in the literature. Theoretical guarantees, including identification, superiority, excess value bound, and consistency of the estimated regime, are established. Furthermore, we demonstrate the proposed optimal regime via numerical experiments and a real data application.