Assessing the causes of continuous effects by posterior effects of causes
通过原因的后验效应评估连续结果的成因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：摘要明确提出连续结果下的后验因果效应、识别假设及估计方法，直接对应因果推断方向。
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…
通过原因的后验效应评估连续结果的成因
- 研究问题
- 观察到连续结果后，如何回溯评估多个相关原因的作用，避免将连续结果二值化造成的信息损失或结论偏差？
- 方法与思路
- 作者定义后验干预、总因果及自然直接效应，在序贯可忽略性、单调性和完全正秩条件下推导识别公式及估计程序。
- 材料陈述的贡献
- 摘要称，所提出后验因果目标在给定假设下可识别，并建立估计量渐近性质，以人工高血压例子和发育毒性数据说明方法。
- 阅读关注点
- 核对后验条件化对象、各因果目标的区别及三项识别假设的精确定义，并检查估计程序与渐近结果所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未展开假设及渐近条件，不能判断这些限制在实际数据中是否可信。
原文摘要
To evaluate a single cause of a binary effect, Dawid et al. (2014) defined the probability of causation, while Pearl (2015) defined the probabilities of necessity and sufficiency. For assessing the multiple correlated causes of a binary effect, Lu et al. (2023) defined the posterior causal effects based on post-treatment variables. In many scenarios, outcomes are continuous, simply binarizing them and applying previous methods may result in information loss or biased conclusions. To address this limitation, we propose a series of posterior causal estimands for retrospectively evaluating multiple correlated causes from a continuous effect, including posterior intervention effects, posterior total causal effects, and posterior natural direct effects. Under the assumptions of sequential ignorability, monotonicity, and perfect positive rank, we show that the posterior causal estimands of interest are identifiable and present the corresponding identification equations. We also provide a simple but effective estimation procedure and establish the asymptotic properties of the proposed estimators. An artificial hypertension example and a real developmental toxicity dataset are employed to illustrate our method.