Long-term causal inference under persistent confounding via data combination
持续混杂下通过数据结合开展长期因果推断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。
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持续混杂下长期平均处理效应的识别、估计及推断，明确属于因果推断。
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…
持续混杂下通过数据结合开展长期因果推断
- 研究问题
- 当未观测混杂同时影响处理、短期结果与长期结果时，如何结合短期实验和长期观察数据识别、估计长期平均处理效应？
- 方法与思路
- 作者利用多个短期结果的序列结构提出若干识别策略，再构造具有渐近保证的估计与推断方法，并使用半合成数据展示。
- 材料陈述的贡献
- 摘要称提供应对持续混杂的新识别策略及估计推断方法，并用职业培训对长期就业影响的半合成研究说明处理混杂的重要性。
- 阅读关注点
- 应核对实验与观察样本之间的衔接条件、序列结果支持识别的假设、渐近保证，以及半合成数据的生成与评价方式。
- 阅读边界
- 仅据所给 Crossref 摘要；具体识别假设和保证条件未说明，半合成应用不能直接视为真实职业培训效果的实证验证。
原文摘要
Abstract We study the identification and estimation of long-term treatment effects by combining short-term experimental data and long-term observational data subject to unobserved confounding. This problem arises often when concerned with long-term treatment effects since experiments are often short-term due to operational necessity while observational data can be more easily collected over longer time frames but may be subject to confounding. In this paper, we tackle the challenge of persistent confounding: unobserved confounders that can simultaneously affect the treatment, short-term outcomes, and long-term outcome. In particular, persistent confounding invalidates identification strategies in previous approaches to this problem. To address this challenge, we exploit the sequential structure of multiple short-term outcomes and develop several novel identification strategies for the average long-term treatment effect. Based on these, we develop estimation and inference methods with asymptotic guarantees. To demonstrate the importance of handling persistent confounders, we apply our methods to estimate the effect of a job training program on long-term employment using semi-synthetic data.