通过协变量感知最优传输收紧因果界限
统计方法学
2025-06-02 v2
摘要
因果估计量可能因处理组和对照组中结果之间的关系而显著变化，这可能导致部分识别（PI）区间过宽，从而阻碍决策。纳入协变量可以显著收紧这些界限，但需要确定在符合观察到的协变量与处理组和对照组结果联合分布的概率模型上，部分识别的范围。已知此问题等价于一个条件最优传输（COT）优化任务，由于额外的条件约束，该任务比标准最优传输（OT）更具挑战性。在这项工作中，我们研究了 COT 的一个紧松弛，它有效地将其简化为标准 OT，从而利用了其完善的计算和理论基础。我们的松弛方法纳入了协变量信息，并确保对于任何惩罚参数值都能得到更窄的 PI 区间，同时随着惩罚参数增加到无穷大而渐近精确。这种方法保留了 PI 中协变量调整的优势，并产生了一个数据驱动的 PI 集合估计器，该估计器易于使用现有的 OT 包实现。我们分析了估计器的收敛速度，并通过广泛的模拟实验证明了我们方法的有效性，突出了其实际用途以及与现有方法相比的优越性能。
引用
@article{arxiv.2502.01164,
title = {Tightening Causal Bounds via Covariate-Aware Optimal Transport},
author = {Sirui Lin and Zijun Gao and Jose Blanchet and Peter Glynn},
journal= {arXiv preprint arXiv:2502.01164},
year = {2025}
}