Sequential Deconfounding for Causal Inference with Unobserved Confounders
存在未观测混杂时的序贯去混杂因果推断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：摘要直接研究未观测混杂下序贯处理效应的识别与估计。
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…
关注这篇论文的作者
存在未观测混杂时的序贯去混杂因果推断
- 研究问题
- 在每个时间点分配一个或多个处理、且处理受到未观测变量混杂的观察性数据中，如何估计随时间变化的个体化处理反应？
- 方法与思路
- 作者提出序贯去混杂方法，以高斯过程潜变量模型推断未观测混杂的替代变量，再结合结果模型估计动态处理效应。
- 材料陈述的贡献
- 摘要称，该方法适用于一般序贯处理设置，证明其个体化处理反应估计无偏，并用模拟和医疗数据展示去混杂效果。
- 阅读关注点
- 应核对替代变量足以控制混杂的识别条件、单处理情形的论证、潜变量模型可检验性，以及无偏结论针对的具体估计目标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未经核验；摘要未列明无偏结论的前提，推断潜变量本身不能保证消除任意混杂。
原文摘要
Using observational data to estimate the effect of a treatment is a powerful tool for decision-making when randomized experiments are infeasible or costly. However, observational data often yields biased estimates of treatment effects, since treatment assignment can be confounded by unobserved variables. A remedy is offered by deconfounding methods that adjust for such unobserved confounders. In this paper, we develop the Sequential Deconfounder, a method that enables estimating individualized treatment effects over time in presence of unobserved confounders. This is the first deconfounding method that can be used in a general sequential setting (i.e., with one or more treatments assigned at each timestep). The Sequential Deconfounder uses a novel Gaussian process latent variable model to infer substitutes for the unobserved confounders, which are then used in conjunction with an outcome model to estimate treatment effects over time. We prove that using our method yields unbiased estimates of individualized treatment responses over time. Using simulated and real medical data, we demonstrate the efficacy of our method in deconfounding the estimation of treatment responses over time.