Multiply-Robust Causal Change Attribution

我们比较了两个数据样本，发现结果变量的分布发生了变化。在存在多个解释变量的情况下，每个可能的原因可以解释多少变化？我们开发了一种新的估计策略，结合回归和重新加权方法，根据因果模型量化每个因果机制的贡献。我们提出的方法是多重鲁棒的，意味着即使在部分错误规定的情况下仍然可以恢复目标参数。我们证明了我们的估计器是一致和渐进正常的。此外，它可以被纳入到现有的因果归因框架中，例如Shapley值，这将继承一致性和大样本分布属性。我们的方法在蒙特卡罗模拟中表现出色，并且我们展示了它在实证应用中的有用性。

论文旨在解决在多个解释变量存在的情况下，如何量化每个因果机制的贡献度的问题。

论文提出了一种新的估计策略，通过结合回归和重新加权方法来量化每个因果机制的贡献度，从而解决了该问题。

该方法具有多重稳健性，能够在部分错误规范化的情况下恢复目标参数。该方法在蒙特卡罗模拟中表现出色，并在实证应用中展示了其有用性。

与此相关的研究包括Shapley值等因果归因框架。