Partial identification and unmeasured confounding with multiple treatments and multiple outcomes
多处理、多结果与未测混杂下的部分识别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：摘要直接研究未测混杂、多处理多结果的因果效应部分识别，并使用负对照限制，明确属于因果推断方向。
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…
多处理、多结果与未测混杂下的部分识别
- 研究问题
- 存在未测混杂时，多个处理与多个结果的信息能否共同约束因果效应，并使联合识别区域比逐个估量分析更有信息？
- 方法与思路
- 作者在因子混杂假设下构造联合部分识别区域，利用混杂强度、合理效应幅度及负对照限制缩小区域，并发展计算方法。
- 材料陈述的贡献
- 摘要称揭示不同估量之间的约束传递作用，讨论负对照及点识别条件，并在美国 Medicare 数据中分析颗粒物组分健康效应。
- 阅读关注点
- 应核对因子混杂结构、敏感性参数与负对照的科学依据，以及联合区域计算是否完整和应用中的稳健性覆盖哪些混杂范围。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；摘要未列混杂限制与效应界，所称稳健性不能涵盖任意未测混杂。
原文摘要
Estimating the health effects of multiple air pollutants is a crucial problem in public health, but one that is difficult due to unmeasured confounding bias. Motivated by this issue, we develop a framework for partial identification of causal effects in the presence of unmeasured confounding in settings with multiple treatments and multiple outcomes. Under a factor confounding assumption, we show that joint partial identification regions for multiple estimands can be more informative than considering partial identification for individual estimands one at a time. We show how assumptions related to the strength of confounding or magnitude of plausible effect sizes for one estimand can reduce the partial identification regions for other estimands. As a special case of this result, we explore how negative control assumptions reduce partial identification regions and discuss conditions under which point identification can be obtained. We develop novel computational approaches to finding partial identification regions under a variety of these assumptions. We then estimate the causal effect of PM$_{2.5}$ components on a variety of public health outcomes in the United States Medicare cohort, where we find that the detrimental effect of certain air pollutants are robust to the potential presence of unmeasured confounding bias.