新研究识别出因果估计中的两层不稳定性

一篇新发表在arXiv上的研究论文详细介绍了从观测数据进行因果估计所固有的两层不稳定性。第一层不稳定性，即先前已识别出的，表明因果效应可能随着数据分布的微小变化而不连续。该论文引入了第二层不稳定性，它依赖于所使用的特定估计器，并证明许多标准的点估计可能代表结构因果模型上的多峰分布，从而导致数据分布的不连续跳跃。这表明估计器的稳定性与其隐式损失函数是否与因果效应本身对齐有关，其中逆概率加权和回归估计器是离散摘要的例子，而后验均值和中位数则是连续的。 AI

影响 这项研究有助于对因果推断的理论理解，这是许多依赖于从数据中理解因果关系的人工智能应用的基础。

排序理由 该条目是一篇发表在arXiv上的研究论文，详细介绍了因果估计方面的理论发现。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Los Angeles Dodgers
• Ritovi
• Robins and Ritov
• Robins et al.
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →