Causal Inference With General Treatment Regimes
一般处理机制下的因果推断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。
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：摘要明确以观察研究中的一般处理机制和倾向函数开展因果效应估计。
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
一般处理机制下的因果推断
- 研究问题
- 当观察研究中的处理不局限于二元变量时，如何推广倾向得分方法，以支持更一般处理机制下的因果效应分析？
- 方法与思路
- 作者以倾向函数推广倾向得分，发展覆盖既有有序和分类处理方法的理论，并用模拟及两个数据应用展示方法。
- 材料陈述的贡献
- 摘要称倾向函数统一并拓宽了既有方法的适用处理类型，应用涉及吸烟对医疗支出及教育对工资的效应估计。
- 阅读关注点
- 应核对倾向函数的定义、平衡性质、因果识别条件、重叠要求，以及不同处理类型对应的效应目标和估计步骤。
- 阅读边界
- 仅据版本未明的 OpenAlex 索引摘要；具体识别假设、估计器形式及应用数值未说明，不能认定非随机分配偏误已消除。
原文摘要
In this article we develop the theoretical properties of the propensity function, which is a generalization of the propensity score of Rosenbaum and Rubin. Methods based on the propensity score have long been used for causal inference in observational studies; they are easy to use and can effectively reduce the bias caused by nonrandom treatment assignment. Although treatment regimes need not be binary in practice, the propensity score methods are generally confined to binary treatment scenarios. Two possible exceptions have been suggested for ordinal and categorical treatments. In this article we develop theory and methods that encompass all of these techniques and widen their applicability by allowing for arbitrary treatment regimes. We illustrate our propensity function methods by applying them to two datasets; we estimate the effect of smoking on medical expenditure and the effect of schooling on wages. We also conduct simulation studies to investigate the performance of our methods.