Causal effects of intervening variables in settings with unmeasured confounding
存在未测混杂时中间变量的因果效应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：摘要直接研究未测混杂下的平均因果效应、前门识别及半参数有效估计。
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…
存在未测混杂时中间变量的因果效应
- 研究问题
- 在暴露与结局之间存在未测混杂时，能否针对中间变量定义具有明确政策含义的平均因果效应，并实现识别与有效估计？
- 方法与思路
- 作者从慢性疼痛与阿片处方问题引入效应目标，使用经典前门公式进行非参数识别，并推导新的半参数有效估计量。
- 材料陈述的贡献
- 摘要称替代效应可由前门公式识别，新估计量具有样本一致有界保证，有限样本表现较好，并应用于美国健康与营养调查数据。
- 阅读关注点
- 应核对中间变量干预的精确定义、前门识别条件、有效性与有界性的适用范围，以及处方应用中这些条件的实质依据。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核验；摘要未展开前门条件或有界性定义，不能认为任意未测混杂均可解决。
原文摘要
We present new results on average causal effects in settings with unmeasured exposure-outcome confounding. Our results are motivated by a class of estimands, e.g., frequently of interest in medicine and public health, that are currently not targeted by standard approaches for average causal effects. We recognize these estimands as queries about the average causal effect of an intervening variable. We anchor our introduction of these estimands in an investigation of the role of chronic pain and opioid prescription patterns in the opioid epidemic, and illustrate how conventional approaches will lead unreplicable estimates with ambiguous policy implications. We argue that our altenative effects are replicable and have clear policy implications, and furthermore are non-parametrically identified by the classical frontdoor formula. As an independent contribution, we derive a new semiparametric efficient estimator of the frontdoor formula with a uniform sample boundedness guarantee. This property is unique among previously-described estimators in its class, and we demonstrate superior performance in finite-sample settings. Theoretical results are applied with data from the National Health and Nutrition Examination Survey.