Generalized propensity score weighting for functional causal inference framework
函数型因果推断框架中的广义倾向得分加权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：摘要明确围绕观测研究的混杂调整、倾向得分加权和边际结构模型展开，因此最直接对应因果推断。
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…
函数型因果推断框架中的广义倾向得分加权
- 研究问题
- 当处理变量是一条随连续域变化的轨迹，而协变量和结果也可能是函数时，如何调整观测混杂并估计边际因果效应及效应曲面？
- 方法与思路
- 作者通过函数型倾向得分权重消除处理与观测混杂变量的依赖，以对偶形式构造平滑无约束优化，并扩展函数对函数边际结构模型。
- 材料陈述的贡献
- 摘要称，该框架支持函数型处理、协变量和结果，相较既有方法改善平衡、精度与计算效率，并用于分析体重指数轨迹的健康效应。
- 阅读关注点
- 应核对函数型处理的因果效应定义、权重存在与可估条件、时间变化协变量的处理方式，以及平衡度和效率比较所用的基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明混杂控制和支持条件，应用中的因果解释仍需全文识别论证。
原文摘要
Estimating causal effects in observational studies requires adjustment for confounding, a task that becomes challenging when the exposure is a function observed over a continuous domain rather than a scalar variable. We develop a functional propensity score weighting framework that achieves covariate balance by removing dependence between time-varying treatments and observed confounders, thereby enabling estimation of marginal causal effects in settings with functional treatments, covariates, and outcomes. We propose a dual formulation of the weight estimation problem that yields a smooth unconstrained optimization and improves computational scalability. The proposed framework extends naturally to settings with time-varying covariates and to longitudinal outcomes via a function-on-function marginal structural model, allowing estimation of causal effect surfaces. The proposed method improves covariate balance, estimation accuracy, and computational efficiency compared to the existing approach and retains these properties when extended to functional covariates and outcomes. We apply the method to data from the UK Biobank to estimate the causal effect of body mass index trajectories on the risk of Type 2 Diabetes and on subsequent glycated hemoglobin trajectories, a functional measure of metabolic status.