Causal inference for spatiotemporal point processes in the presence of outcome spillover and carryover
存在结果溢出与延续效应时的时空点过程因果推断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：摘要明确使用潜在结果分析干预效应，并处理完整处理配置引起的跨单元溢出与干扰。
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…
存在结果溢出与延续效应时的时空点过程因果推断
- 研究问题
- 单元干预存在空间溢出及历史延续时，如何识别和估计时空事件数量的因果效应？作者区分观测设计支持内与支持外的效应比较。
- 方法与思路
- 作者以完整处理配置索引潜在结果，将观测过程表示为潜在成分的无标签叠加，采用随机 EM 估计，并分析分块硬 EM 替代算法。
- 材料陈述的贡献
- 摘要称，支持内区域期望计数在三项识别条件下可识别；替代算法具有非渐近收缩界，并为单元及整体因果函数提供插入估计保证。
- 阅读关注点
- 应核对支持外结构模型的稳定性要求、溢出与历史依赖的设定，区分随机 EM 与硬 EM 的理论保证，并检查增长窗口的附加条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。支持外比较依赖额外结构模型，摘要中的替代算法保证不能直接等同随机 EM 保证。
原文摘要
We develop a framework for causal inference with continuous spatiotemporal point-process outcomes under cell-level interventions and outcome spillover. Potential outcomes are indexed by full treatment allocations, and the observed post-treatment process is represented as an unlabelled superposition of latent control and treatment components. On the observed design support, expected post-treatment event counts in any spacetime region under a given treatment allocation are identified under consistency, exchangeability, and positivity; off-support contrasts are identified relative to a regime-stable structural point-process model. Estimation is likelihood-based and implemented with stochastic EM. To understand when this is feasible, we analyse a predictable blockwise hard-EM surrogate and show nonasymptotic contraction of estimation error to a statistical floor governed by locally ambiguous regions. This yields plug-in guarantees for cell-level and global causal functionals, and clarifies the additional array conditions needed for unnormalised growing-window contrasts. The framework covers history dependent spatiotemporal point processes including Poisson and Hawkes models, with applications to settings such as epidemiology, seismology, and finance. We provide an application assessing the causal effect of injecting wastewater into the ground on seismic activity in Oklahoma.