Long-term Causal Inference Under Persistent Confounding via Data Combination
持续混杂下通过数据结合开展长期因果推断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：摘要明确以持续未观测混杂下的长期平均处理效应识别与估计为研究对象。
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…
持续混杂下通过数据结合开展长期因果推断
- 研究问题
- 当未观测混杂同时影响处理、短期结局和长期结局，而实验缺少长期结局时，如何结合实验与观察数据识别长期处理效应？
- 方法与思路
- 作者利用多个短期结局的序贯结构，提出三种长期平均处理效应识别策略及对应估计量，并分析一致性和渐近正态性。
- 材料陈述的贡献
- 摘要称，方法针对会使既有识别策略失效的持续未测混杂，并在职业培训的半合成数据应用中展示相对现有方法的表现。
- 阅读关注点
- 应核对三种策略各自的识别条件、短期结局序贯结构的作用和跨样本衔接要求，并检查半合成数据如何生成持续混杂。
- 阅读边界
- 这是 arXiv 预印本，未核验同行评审或期刊接收；摘要未给出识别限制与比较数值，不能理解为无需额外条件即可处理任意未测混杂。
原文摘要
We study the identification and estimation of long-term treatment effects when both experimental and observational data are available. Since the long-term outcome is observed only after a long delay, it is not measured in the experimental data, but only recorded in the observational data. However, both types of data include observations of some short-term outcomes. In this paper, we uniquely tackle the challenge of persistent unmeasured confounders, i.e., some unmeasured confounders that can simultaneously affect the treatment, short-term outcomes and the long-term outcome, noting that they invalidate identification strategies in previous literature. To address this challenge, we exploit the sequential structure of multiple short-term outcomes, and develop three novel identification strategies for the average long-term treatment effect. We further propose three corresponding estimators and prove their asymptotic consistency and asymptotic normality. We finally apply our methods to estimate the effect of a job training program on long-term employment using semi-synthetic data. We numerically show that our proposals outperform existing methods that fail to handle persistent confounders.