A Latent Factor Panel Approach to Spatiotemporal Causal Inference
时空因果推断的潜在因子面板方法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：摘要结合面板潜在因子处理因果混杂，并明确研究单位间时空干扰下的识别。
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
时空因果推断的潜在因子面板方法
- 研究问题
- 当未观测混杂在时间和空间上并不平滑，且单位间存在干扰时，如何从时空观察数据中识别和估计暴露的因果效应？
- 方法与思路
- 作者假设暴露与结局共享潜在因子混杂结构，据此部分识别效应，并通过进一步限制时空干扰程度获得点识别。
- 材料陈述的贡献
- 摘要称，该方法在模拟中较空间平滑和面板基准显著减少遗漏变量偏差，并用于加州产前 PM2.5 暴露与出生体重研究。
- 阅读关注点
- 应核对因子混杂假设的实质、部分识别集合的构造，以及实现点识别所需的干扰限制和实际应用中的合理性。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未获核实；摘要未写明因子维数及干扰限制，模拟改善不能证明真实数据假设成立。
原文摘要
Unmeasured confounding can severely bias causal effect estimates from spatiotemporal observational data, especially when the confounders do not vary smoothly in time and space. In this work, we develop a method for addressing unmeasured confounding in spatiotemporal contexts by building on models from the panel data literature and methods in multivariate causal inference. Our method is based on a factor confounding assumption, which posits that effects of unmeasured confounders on exposures and outcomes can be captured by a shared latent factor model. Factor confounding is sufficient to partially identify causal effects, even when there is interference between units. Additional assumptions that limit the degree of spatiotemporal interference, reasonable in most applications, are sufficient to point identify the effects. Simulation studies demonstrate that the proposed approach can substantially reduce omitted variable bias relative to other spatial smoothing and panel data baselines. We illustrate our method in a case study of the effect of prenatal PM2.5 exposure on birth weight in California.