Promises of parallel outcomes
平行结局的潜力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：摘要明确以未测量混杂下的因果效应识别为目标，并提出平行结局识别框架。
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…
平行结局的潜力
- 研究问题
- 在观察研究存在未测量混杂时，能否利用多个结局之间的信息识别因果效应，并避免为不同结局指定不对称的角色？
- 方法与思路
- 作者提出平行结局框架，以多个结局的条件独立性为关键假设，并在线性结构方程模型下给出参数化估计工具。
- 材料陈述的贡献
- 摘要称在至少三个平行结局时建立非参数可识别性，且结局在条件独立假设中地位对称；方法通过合成与真实数据分析评估。
- 阅读关注点
- 应核对条件独立性针对哪些条件变量、除结局数量外还需哪些识别条件，以及线性结构模型如何对应非参数识别论证。
- 阅读边界
- 仅据所给 Crossref 摘要，完整识别假设与结局选择标准未说明；不能把“至少三个结局”单独视为足以消除未测量混杂的条件。
原文摘要
Summary A key challenge in causal inference from observational studies is the identification and estimation of causal effects in the presence of unmeasured confounding. In this paper, we introduce a novel approach for causal inference that leverages information in multiple outcomes to deal with unmeasured confounding. An important assumption in our approach is conditional independence among multiple outcomes. In contrast to existing proposals in the literature, the roles of multiple outcomes in the conditional independence assumption are symmetric; hence, the name parallel outcomes. We show nonparametric identifiability with at least three parallel outcomes and provide parametric estimation tools under a set of linear structural equation models. Our proposal is evaluated through a set of synthetic and real data analyses.