Nonparametric Causal Inference for Optogenetics: Sequential Excursion Effects for Dynamic Regimes
光遗传学的非参数因果推断：动态策略的序贯偏离效应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。
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：摘要明确研究动态处理策略、正值性违反和序贯干预的因果效应识别与估计。
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…
光遗传学的非参数因果推断：动态策略的序贯偏离效应
- 研究问题
- 在静态或动态光遗传学干预实验中，如何利用序贯随机化信息，并在正值性违反时定义和估计有意义的处理序列因果对比？
- 方法与思路
- 作者提出非参数框架，扩展历史受限边际结构模型与序贯偏离效应，构建逆概率加权估计及两干预时点的多重稳健估计。
- 材料陈述的贡献
- 摘要称，研究提出可识别效应分类、识别充分条件与渐近推断保证，并在神经科学数据中揭示常规分析遗漏的行为效应。
- 阅读关注点
- 应核对正值性违反下目标效应的定义与支持范围、序贯随机化条件，以及多重稳健结论为何限定于两个干预时点。
- 阅读边界
- 依据 arXiv 2405.18597v3 预印本摘要，不能据此确认同行评审或期刊接收；未列出识别条件，也不能推断任意处理序列均可识别。
原文摘要
Optogenetics is a powerful neuroscience technique for studying how neural circuit manipulation affects behavior. Standard analysis conventions discard information and severely limit the scope of the causal questions that can be probed. To address this gap, we 1) draw connections to the causal inference literature on sequentially randomized experiments, 2) propose a non-parametric framework for analyzing "open-loop" (static regime) optogenetics behavioral experiments, 3) derive extensions of history-restricted marginal structural models for dynamic treatment regimes with positivity violations for "closed-loop" designs, and 4) propose a taxonomy of identifiable causal effects that encompass a far richer collection of scientific questions compared to standard methods. From another view, our work extends "excursion effect" methods, popularized recently in the mobile health literature, to enable estimation of causal contrasts for treatment sequences in the presence of positivity violations. We describe sufficient conditions for identifiability of the proposed causal estimands, and provide asymptotic statistical guarantees for a proposed inverse probability-weighted estimator, a multiply-robust estimator (for two intervention timepoints), a framework for hypothesis testing, and a computationally scalable implementation. Finally, we apply our framework to data from a recent neuroscience study and show how it provides insight into causal effects of optogenetics on behavior that are obscured by standard analyses.