Dynamic causal inference with time series data
时间序列数据中的动态因果推断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：摘要将潜在结果框架扩展到随机过程轨迹，并研究动态加权估计与状态空间实现，直接涉及因果推断和时间序列。
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…
时间序列数据中的动态因果推断
- 研究问题
- 当干预同时改变结果水平、持续性与转移规律时，如何以完整随机过程轨迹定义、识别和估计随时间演化的因果效应？
- 方法与思路
- 作者在路径空间定义动态平均处理效应，构造动态逆概率加权估计；处理单位较少时，利用条件均值轨迹的线性状态空间表示。
- 材料陈述的贡献
- 摘要称加权估计在动态可忽略性与正值性下无偏，动态效应在单期退化为经典平均效应，并以模拟及封控应用展示框架。
- 阅读关注点
- 核对干预和潜在轨迹的定义、动态可忽略性及正值性的形式，以及状态空间表示成立条件和效应分解的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未获核实；摘要未说明状态空间表示的具体限制，也不足以验证封控应用的识别。
原文摘要
We generalize the potential outcome framework to time series with an intervention by defining causal effects on stochastic processes. Interventions in dynamic systems alter not only outcome levels but also evolutionary dynamics -- changing persistence and transition laws. Our framework treats potential outcomes as entire trajectories, enabling causal estimands, identification conditions, and estimators to be formulated directly on path space. The resulting Dynamic Average Treatment Effect (DATE) characterizes how causal effects evolve through time and reduces to the classical average treatment effect under one period of time. For observational data, we derive a dynamic inverse-probability weighting estimator that is unbiased under dynamic ignorability and positivity. When treated units are scarce, we show that conditional mean trajectories underlying the DATE admit a linear state-space representation, yielding a dynamic linear model implementation. Simulations demonstrate that modeling time as intrinsic to the causal mechanism exposes dynamic effects that static methods systematically misestimate. An empirical study of COVID-19 lockdowns illustrates the framework's practical value for estimating and decomposing treatment effects.