An instrumental variable method for point processes: generalised Wald estimation based on deconvolution
点过程的工具变量方法：基于反卷积的广义 Wald 估计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：摘要明确以潜在结果和工具变量研究点过程处理与结局的因果识别。
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
点过程的工具变量方法：基于反卷积的广义 Wald 估计
- 研究问题
- 当处理与结局均为事件点过程且存在未测量混杂时，如何定义具有因果含义的效应，并利用二元工具变量进行识别？
- 方法与思路
- 作者在潜在结果框架下定义点过程因果量，对处理和结局的意向处理效应进行傅里叶变换，将广义 Wald 估计写成反卷积问题。
- 材料陈述的贡献
- 摘要称，论文建立二元工具变量下的非参数识别结果，将传统 Wald 估计推广至点过程，并提出基于既有反卷积方法的估计策略。
- 阅读关注点
- 应核对工具变量识别条件、因果量的时间解释、傅里叶域比值存在的条件，以及反卷积估计的正则化选择和不确定性处理。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未列出识别条件、收敛性质或实际数据中的估计表现。
原文摘要
Point processes are probabilistic tools for modeling event data. While there exists a fast-growing literature studying the relationships between point processes, it remains unexplored how such relationships connect to causal effects. In the presence of unmeasured confounders, parameters from point process models do not necessarily have causal interpretations. We propose an instrumental variable method for causal inference with point process treatment and outcome. We define causal quantities based on potential outcomes and establish nonparametric identification results with a binary instrumental variable. We extend the traditional Wald estimation to deal with point process treatment and outcome, showing that it should be performed after a Fourier transform of the intention-to-treat effects on the treatment and outcome and thus takes the form of deconvolution. We term this as the generalised Wald estimation and propose an estimation strategy based on well-established deconvolution methods.