The Conditional Permutation Test for Independence While Controlling for Confounders
控制混杂因素的条件独立性置换检验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。
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：摘要明确以控制潜在混杂因素的条件独立检验为目标，与因果推断中的混杂处理直接相关。
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…
控制混杂因素的条件独立性置换检验
- 研究问题
- 在可能含有高维混杂因素的条件变量给定后，如何检验两个变量的条件独立性，并控制条件分布估计误差造成的误拒？
- 方法与思路
- 作者利用条件分布近似设计非均匀置换，保留原有变量取值并尊重其与条件变量的依赖，同时提出马尔可夫链蒙特卡洛采样器。
- 材料陈述的贡献
- 摘要称，给出第一类错误随条件分布近似误差变化的界；最坏统计量下的错误膨胀不大于条件随机化检验，并提供实验验证。
- 阅读关注点
- 应核对条件分布误差的度量、错误界的成立条件、置换采样的实现，以及最坏情形比较与实际检验功效的区别。
- 阅读边界
- 仅依据所给 Crossref 摘要；条件分布仍需近似，采样与误差界的细节未说明，条件独立检验本身也不等同于识别因果效应。
原文摘要
Summary We propose a general new method, the conditional permutation test, for testing the conditional independence of variables X and Y given a potentially high dimensional random vector Z that may contain confounding factors. The test permutes entries of X non-uniformly, to respect the existing dependence between X and Z and thus to account for the presence of these confounders. Like the conditional randomization test of Candès and co-workers in 2018, our test relies on the availability of an approximation to the distribution of X|Z—whereas their test uses this estimate to draw new X-values, for our test we use this approximation to design an appropriate non-uniform distribution on permutations of the X-values already seen in the true data. We provide an efficient Markov chain Monte Carlo sampler for the implementation of our method and establish bounds on the type I error in terms of the error in the approximation of the conditional distribution of X|Z, finding that, for the worst-case test statistic, the inflation in type I error of the conditional permutation test is no larger than that of the conditional randomization test. We validate these theoretical results with experiments on simulated data and on the Capital Bikeshare data set.