Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood
结合时空建模与惩罚经验似然的预测型因果推断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：摘要明确以双重稳健处理效应估计和预测型因果推断为目标。
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…
结合时空建模与惩罚经验似然的预测型因果推断
- 研究问题
- 在疾病状态潜在且结果轨迹具有时空复杂性的医疗数据中，如何结合多种模型，同时改进处理效应偏差校正与结果预测？
- 方法与思路
- 作者结合隐马尔可夫模型估计空间健康状态与多任务多图卷积网络刻画时间轨迹，并在结果和倾向模型中区别处理时空信息。
- 材料陈述的贡献
- 摘要称，该框架扩展双重稳健处理效应估计，以疾病潜在动态模拟考察表现，并面向癌症、痴呆及帕金森病等临床场景。
- 阅读关注点
- 应核对时空信息被视为内生或外生的依据、双重稳健成立条件，以及题名中的惩罚经验似然具体如何进入估计程序。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明惩罚经验似然细节、因果识别条件或真实临床应用结果。
原文摘要
This study introduces an integrated framework for predictive causal inference designed to overcome limitations inherent in conventional single model approaches. Specifically, we combine a Hidden Markov Model (HMM) for spatial health state estimation with a Multi Task and Multi Graph Convolutional Network (MTGCN) for capturing temporal outcome trajectories. The framework asymmetrically treats temporal and spatial information regarding them as endogenous variables in the outcome regression, and exogenous variables in the propensity score model, thereby expanding the standard doubly robust treatment effect estimation to jointly enhance bias correction and predictive accuracy. To demonstrate its utility, we focus on clinical domains such as cancer, dementia, and Parkinson disease, where treatment effects are challenging to observe directly. Simulation studies are conducted to emulate latent disease dynamics and evaluate the model performance under varying conditions. Overall, the proposed framework advances predictive causal inference by structurally adapting to spatiotemporal complexities common in biomedical data.