Causal Effect of Functional Treatment
函数型处理的因果效应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：摘要明确研究函数型处理的平均剂量反应及选择偏差调整，属于因果效应估计。
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…
函数型处理的因果效应
- 研究问题
- 当处理变量是一条函数而非有限维数值时，如何处理选择偏差并估计平均剂量反应函数，突破仅分析相关性的限制？
- 方法与思路
- 作者基于函数型线性模型提出函数型稳定权重、结果回归和双重稳健三类估计量，并研究理论性质及数值表现。
- 材料陈述的贡献
- 摘要提出处理函数型数据缺少通常概率密度定义这一困难的估计方案，并以脑电图与疾病严重程度数据展示应用。
- 阅读关注点
- 应核对函数型处理下因果目标与权重的定义、模型限制，以及双重稳健性质和理论结果成立所需的具体条件。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未说明完整识别假设、函数空间或收敛结果，应用不能单独验证因果解释。
原文摘要
We study the causal effect with a functional treatment variable, where practical applications often arise in neuroscience, biomedical sciences, etc. Previous research concerning the effect of a functional variable on an outcome is typically restricted to exploring correlation rather than causality. The generalized propensity score, which is often used to calibrate the selection bias, is not directly applicable to a functional treatment variable due to a lack of definition of probability density function for functional data. We propose three estimators for the average dose-response functional based on the functional linear model, namely, the functional stabilized weight estimator, the outcome regression estimator and the doubly robust estimator, each of which has its own merits. We study their theoretical properties, which are corroborated through extensive numerical experiments. A real data application on electroencephalography data and disease severity demonstrates the practical value of our methods.