Inferring the Long-Term Causal Effects of Long-Term Treatments from Short-Term Experiments
从短期实验推断持续处理的长期因果效应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：摘要明确研究持续处理的长期因果效应、双重稳健估计及置信区间。
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…
从短期实验推断持续处理的长期因果效应
- 研究问题
- 只有短期实验观察时，如何推断持续暴露于新干预的长期因果效应？研究区分持续处理与短期冲击，关注前者无法满足的替代指标条件。
- 方法与思路
- 作者将持续处理的长期效应推断与离线强化学习联系起来，利用双重稳健估计量估计长期因果效应，并构造置信区间。
- 材料陈述的贡献
- 摘要指出持续暴露会直接影响长期结果，常规替代指标条件难以成立，并提出借助离线强化学习开展效应估计与区间推断的路径。
- 阅读关注点
- 应核对从短期数据外推长期动态所需的识别与稳定性条件、目标效应定义，以及双重稳健性质和置信区间成立的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明动态假设、数据支持和外推条件，短期随机实验本身不能保证长期效应可识别。
原文摘要
We study inference on the long-term causal effect of a continual exposure to a novel intervention, which we term a long-term treatment, based on an experiment involving only short-term observations. Key examples include the long-term health effects of regularly-taken medicine or of environmental hazards and the long-term effects on users of changes to an online platform. This stands in contrast to short-term treatments or "shocks," whose long-term effect can reasonably be mediated by short-term observations, enabling the use of surrogate methods. Long-term treatments by definition have direct effects on long-term outcomes via continual exposure, so surrogacy conditions cannot reasonably hold. We connect the problem with offline reinforcement learning, leveraging doubly-robust estimators to estimate long-term causal effects for long-term treatments and construct confidence intervals.