Practical considerations for Gaussian Process modeling for causal inference quasi-experimental studies with panel data
面板数据准实验因果推断中高斯过程建模的实践考量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：摘要明确以面板准实验的反事实与处理效应估计为目标，并讨论时空混杂，因此归入因果推断与面板数据。
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
面板数据准实验因果推断中高斯过程建模的实践考量
- 研究问题
- 如何在时空面板准实验中建模随空间和时间变化的未观测混杂，并据此估计反事实结果与处理效应？摘要关注实践选择与解释性。
- 方法与思路
- 作者利用协方差核构建高斯过程，将后验均值表示为观测结果的加权平均，并通过模拟及卡特里娜飓风死亡数据考察不同核选择。
- 材料陈述的贡献
- 摘要称，该框架推广了合成控制与纵向回归，揭示权重与时空相似性的联系，并提供可分离和不可分离核的选择指导。
- 阅读关注点
- 应核对反事实识别依赖哪些混杂限制、核与超参数如何确定，以及后验不确定性在模型设定偏误下能否支持有效推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明识别条件，灵活建模本身不能保证消除未观测混杂。
原文摘要
Estimating causal effects in quasi-experiments with spatio-temporal panel data often requires adjusting for unmeasured confounding that varies across space and time. Gaussian Processes (GPs) offer a flexible, nonparametric modeling approach that can account for such complex dependencies through carefully chosen covariance kernels. In this paper, we provide a practical and interpretable framework for applying GPs to causal inference in panel data settings. We demonstrate how GPs generalize popular methods such as synthetic control and vertical regression, and we show that the GP posterior mean can be represented as a weighted average of observed outcomes, where the weights reflect spatial and temporal similarity. To support applied use, we explore how different kernel choices impact both estimation performance and interpretability, offering guidance for selecting between separable and nonseparable kernels. Through simulations and application to Hurricane Katrina mortality data, we illustrate how GP models can be used to estimate counterfactual outcomes and quantify treatment effects. All code and materials are made publicly available to support reproducibility and encourage adoption. Our results suggest that GPs are a promising and interpretable tool for addressing unmeasured spatio-temporal confounding in quasi-experimental studies.