Causal Inference on Distribution Functions
分布函数结果的因果推断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：摘要同时明确研究因果效应与分布函数型结果，在 Wasserstein 空间展开估计和推断，直接支持因果及分布效应方向。
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…
关注这篇论文的作者
分布函数结果的因果推断
- 研究问题
- 当每个研究对象的结果本身是分布函数，而非欧氏空间中的数值向量时，如何在非线性的 Wasserstein 空间定义和估计因果效应？
- 方法与思路
- 作者为累积分布函数构成的 Wasserstein 空间建立因果效应框架，发展双重稳健估计及渐近理论，并用于婚姻与身体活动研究。
- 材料陈述的贡献
- 摘要称将因果效应分析扩展至分布函数型结果，给出双重稳健估计及相应渐近理论，并以可穿戴设备数据说明应用。
- 阅读关注点
- 核对空间中的效应定义、双重稳健性针对哪些辅助模型成立，以及识别条件、渐近推断和可穿戴数据的分布构造过程。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明完整识别条件、收敛要求或应用效应数值，双重稳健性不能替代因果识别。
原文摘要
Understanding causal relationships is one of the most important goals of modern science. So far, the causal inference literature has focused almost exclusively on outcomes coming from the Euclidean space $\mathbb{R}^p$. However, it is increasingly common that complex datasets are best summarized as data points in non-linear spaces. In this paper, we present a novel framework of causal effects for outcomes from the Wasserstein space of cumulative distribution functions, which in contrast to the Euclidean space, is non-linear. We develop doubly robust estimators and associated asymptotic theory for these causal effects. As an illustration, we use our framework to quantify the causal effect of marriage on physical activity patterns using wearable device data collected through the National Health and Nutrition Examination Survey.