Kernel-based estimators for functional causal effects
函数型因果效应的核估计方法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：摘要以潜在结果和二元处理下的函数型因果效应为核心；时间轨迹并未直接构成宏观时间序列应用。
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…
函数型因果效应的核估计方法
- 研究问题
- 当结果和协变量具有复杂时间轨迹时，如何在函数空间估计因果效应，并兼顾高维性、非线性交互及处理模型误设？
- 方法与思路
- 作者结合经验 Fréchet 均值与算子值核，利用结构假设紧凑表示潜在结果，并处理函数配准及更高阶协变量—结果交互。
- 材料陈述的贡献
- 摘要称给出函数型因果效应的一致性理论及估计器的经验比较，并以二元处理、函数型结果的生物医学监测展示用途。
- 阅读关注点
- 应核对潜在结果的识别与结构假设、处理模型误设下的稳健性范围，以及函数配准、核选择和一致性结论之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体识别条件和稳健性要求，不能据此认定任意误设均可容忍。
原文摘要
We propose causal effect estimators based on empirical Fréchet means and operator-valued kernels, tailored to functional data spaces. These methods address the challenges of high-dimensionality, sequential ordering, and model complexity while preserving robustness to treatment misspecification. Using structural assumptions, we obtain compact representations of potential outcomes, enabling scalable estimation of causal effects over time and across covariates. We provide both theoretical, regarding the consistency of functional causal effects, as well as empirical comparison of a range of proposed causal effect estimators. Applications to binary treatment settings with functional outcomes illustrate the framework's utility in biomedical monitoring, where outcomes exhibit complex temporal dynamics. Our estimators accommodate scenarios with registered covariates and outcomes, aligning them to the Fréchet means, as well as cases requiring higher-order representations to capture intricate covariate-outcome interactions. These advancements extend causal inference to dynamic and non-linear domains, offering new tools for understanding complex treatment effects in functional data settings.