Fisher's Randomization Test for Causality with General Types of Treatments
适用于一般处理类型的 Fisher 因果随机化检验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：摘要直接研究随机化因果检验、观察性数据识别和未观测混杂敏感性分析。
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
适用于一般处理类型的 Fisher 因果随机化检验
- 研究问题
- 如何把 Fisher 随机化检验扩展到任意类型处理，在实验及观察性研究中检验给定协变量后的处理与结局条件独立并作因果解释？
- 方法与思路
- 作者在广义无混杂假设下提供因果识别，将分配模型用于检验校准、结局模型用于构造贝叶斯因子统计量，并加入混杂敏感性分析。
- 材料陈述的贡献
- 摘要称，方法不要求无干扰或正重叠，分配模型支持至少渐近的错误率控制，结局模型即使误设也可用于构造检验统计量。
- 阅读关注点
- 应核对条件独立假设与因果零假设的关系、允许干扰的范围，以及分配模型估计条件、有限样本校准和敏感性分析的参数定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未展开广义无混杂及校准条件，结局模型误设容忍不能推广为分配模型也可任意误设。
原文摘要
We extend Fisher's randomization test (FRT) to test conditional independence between observed outcomes and treatments given covariates in both randomized experiments and observational studies, with no restriction on the variable type of treatments. Under a generalized unconfoundedness assumption, we provide causal identification for this hypothesis. Our approach requires neither the no-interference nor the positive overlap assumption, making it a widely applicable tool for detecting causal effects. A unique advantage of FRT lies in the separated roles of assignment and outcome models. The former, whether known from randomized experiments or estimated in observational studies, guarantees valid Type I error control at least asymptotically. The latter, even if misspecified, is used to construct optimal test statistics derived from Bayes factors. The synthesis of two classes of models through FRT yields a calibrated Bayesian procedure with desired frequentist properties. Recognizing that the generalized unconfoundedness assumption is untestable in observational studies, we develop a novel sensitivity analysis to assess the robustness of causal conclusions to unobserved confounding. Through a re-analysis of a panel dataset, we show how our methods can be integrated into a pipeline for observational causal inference.