Causal Inference in Longitudinal Data under Unknown Interference
未知干扰结构下纵向数据的因果推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究纵向治疗历史的因果效应，以及空间或社会网络中他人治疗对个体结局产生的干扰与溢出。
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…
关注这篇论文的作者
未知干扰结构下纵向数据的因果推断
- 研究问题
- 当个体结局受到他人治疗历史影响，且干扰结构复杂、异质并未知时，如何定义、识别和估计治疗历史的直接效应与溢出效应？
- 方法与思路
- 作者按指定邻近层级定义因果估计目标，以修正的边际结构模型表示；在序贯可交换性下识别，并采用逆概率加权估计。
- 材料陈述的贡献
- 摘要称该框架容许未知干扰结构，给出估计量一致性、渐近正态性的条件及渐近保守置信区间，并展示社会科学与生物医学应用。
- 阅读关注点
- 应核对邻近层级与效应的具体定义、序贯可交换性的作用，以及个体间依赖如何进入渐近理论和保守置信区间的构造。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出完整识别及渐近条件，也未给出应用的数值结果。
原文摘要
In longitudinal studies where units are embedded in space or a social network, interference may arise, meaning that a unit's outcome can depend on treatment histories of others. The presence of interference poses significant challenges for causal inference, particularly when the interference structure -- how a unit's outcome responds to others' influences -- is complex, heterogeneous, and unknown to researchers. This paper develops a general framework for identifying and estimating both direct and spillover effects of treatment histories under minimal assumptions about the interference structure. We introduce a class of causal estimands that capture the effects of treatment histories at any specified proximity level and show that they can be represented by a modified marginal structural model. Under sequential exchangeability, these estimands are identifiable and can be estimated using inverse probability weighting. We derive conditions for consistency and asymptotic normality of the estimators and provide procedures for constructing asymptotically conservative confidence intervals. The method's utility is demonstrated through applications in both social science and biomedical settings.