Causal Inference Using Augmented Epidemic Models
利用扩展传染病模型进行因果推断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：摘要明确以时变干预、反事实模型和混杂调整为核心，直接涉及因果推断。
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…
利用扩展传染病模型进行因果推断
- 研究问题
- 包含疫苗、社交距离等时变干预的传染病模型，何时能够回答干预的因果效应，而不仅是描述观测到的疫情演化？
- 方法与思路
- 作者区分描述观测随机变量的数据生成模型与描述反事实的因果模型，并讨论在时变干预下调整混杂因素的参数估计。
- 材料陈述的贡献
- 摘要明确强调两类模型解释的区别，并将混杂调整纳入传染病模型参数的因果推断，旨在澄清常见的解释混淆。
- 阅读关注点
- 应核对反事实如何定义、混杂因素与干预历史如何进入模型，以及参数的因果含义和估计方法所需的识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未说明具体识别假设、估计公式或实证结果，不能据此评价干预效果。
原文摘要
Epidemic models describe the evolution of a communicable disease over time. These models are often modified to include the effects of interventions (control measures) such as vaccination, social distancing, school closings etc. Many such models were proposed during the COVID-19 epidemic. Inevitably these models are used to answer the question: What is the effect of the intervention on the epidemic? These models can either be interpreted as data generating models describing observed random variables or as causal models for counterfactual random variables. These two interpretations are often conflated in the literature. We discuss the difference between these two types of models, and then we discuss how to estimate the parameters of the model. Our focus is causal inference for parameters in epidemic models by adjusting for confounders, allowing time varying interventions.