Non-parametric Causal Inference in Dynamic Thresholding Designs
动态阈值设计中的非参数因果推断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：摘要明确研究动态处理分配、阈值设计及边际政策效应的因果识别与估计。
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
动态阈值设计中的非参数因果推断
- 研究问题
- 当处理由随时间变化的状态变量跨越阈值决定，且过去处理会影响未来状态与分配时，如何识别和估计具有政策含义的因果效应？
- 方法与思路
- 作者研究动态阈值设计所识别的边际政策效应，提出针对该目标量的局部线性估计，并用获 FDA 批准的模拟器生成数据开展实验。
- 材料陈述的贡献
- 摘要称动态设计识别的边际政策效应在静态情况下包含经典回归不连续参数，所提出局部线性估计量对该效应具有一致性。
- 阅读关注点
- 应核对边际政策效应对应怎样的阈值改变、动态反馈的识别条件及局部回归构造，并检查模拟实验如何对应连续血糖监测场景。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出识别和一致性条件，模拟器生成数据不能等同真实临床证据。
原文摘要
We consider causal inference in dynamic settings where treatment is assigned by thresholding a state variable that can change over time. There is a large literature on regression-discontinuity methods building on the fact that, in the static setting, treatment assignment via threshold crossing induces a quasi-experimental design that enables pragmatic causal inference. But dynamic settings involve challenges not present in the static setting, e.g., past treatments may affect current state and thus future treatments, and so existing regression-discontinuity methods do not apply. Here, we show that dynamic thresholding designs identify a marginal policy effect that nests the classical regression-discontinuity parameter in the static setting; and propose a tailored local linear regression estimator that is consistent for this marginal policy effect. We demonstrate our approach using an experiment that emulates real-world optimization of thresholds for continuous glucose monitoring using data generated from an FDA-approved simulator.