Leveraging specificity for causal inference in observational studies
利用特异性进行观察研究中的因果推断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：摘要直接讨论未观测混杂调整、非参数因果识别及假设敏感性分析，多处理和多结果并不自动意味着因子模型。
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
利用特异性进行观察研究中的因果推断
- 研究问题
- 在多处理、多结果的观察研究中，能否把因果关联的特异性形式化，用来调整未观测混杂并识别因果关系？
- 方法与思路
- 作者提出因果特异性假设、定量指标和检验程序，在非参数结果模型下研究识别与估计，并设计假设违背的敏感性分析。
- 材料陈述的贡献
- 摘要称建立了特异性的定量因果框架，其假设约束因果关联的广度，并提出用于多暴露、多结果研究的识别策略。
- 阅读关注点
- 应核对关联广度如何定义、特异性假设如何支持混杂调整，以及检验与敏感性分析能排除哪些替代解释。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未给出具体识别条件，对无效工具变量和选择偏差的应用仅述为潜力。
原文摘要
Hill's specificity criterion has been highly influential in biomedical and epidemiological research. However, it remains controversial and its application often relies on subjective and qualitative analysis without a comprehensive and rigorous causal theory. Focusing on unmeasured confounding adjustment with multiple treatments and multiple outcomes, this paper develops a formal and quantitative framework for leveraging specificity for causal inference in observational studies. The proposed framework introduces a causal specificity assumption, a quantitative measure of specificity, a hypothesis testing procedure, and identification and estimation strategies. Identification under a nonparametric outcome model is established. The causal specificity assumption concerns only the breadth of causal associations, in contrast to Hill's specificity that concerns observed associations and to existing confounding adjustment methods that rely on auxiliary variables (e.g., instrumental variables, negative controls) or independence structures (e.g., factor models). A sensitivity analysis procedure is proposed to assess robustness of the test against violations of this assumption. This framework is particularly suited to exposure- and outcome-wide studies, where joint causal discovery across multiple treatments and multiple outcomes is of interest. It also offers a potential tool for addressing other sources of bias, such as invalid instruments in Mendelian randomization and selection bias in missing data analysis.