Selezione Locale delle Covariate per la Stima dell'Effetto Causale Senza Assunzioni Forti

Un recente preprint su arXiv (2605.21548) introduce una nuova tecnica di apprendimento locale per la selezione delle covariate nella stima non parametrica dell'effetto causale, evitando le assunzioni di pretrattamento e sufficienza causale. I metodi tradizionali generalmente dipendono dall'apprendimento globale della struttura causale che coinvolge tutte le variabili o impongono assunzioni restrittive come la sufficienza causale, che presume l'assenza di confondenti latenti tra le variabili osservate, o l'assunzione di pretrattamento, che limita le covariate a quelle non influenzate dal trattamento o dall'esito. Tali condizioni sono spesso poco pratiche e l'apprendimento globale può essere computazionalmente intensivo in contesti ad alta dimensionalità. Il nuovo approccio definisce un confine locale che include almeno un insieme di aggiustamento valido per l'identificazione dell'effetto causale e stabilisce metodi di identificazione locale per una selezione efficiente delle covariate, affrontando sfide significative nella stima imparziale dell'effetto causale totale senza assunzioni irrealistiche.