Identifying and bounding the probability of necessity for causes of effects with ordinal outcomes
有序结果中因果必要性概率的识别与界限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：摘要直接研究潜在结果、因果必要性概率、识别假设及部分识别界限。
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
有序结果中因果必要性概率的识别与界限
- 研究问题
- 给定已观察到的治疗和有序结果，该结果由治疗造成的概率如何定义与识别；作者研究潜在结果联合分布带来的识别困难。
- 方法与思路
- 作者推广必要性概率的定义，提出单调增量治疗效应假设用于识别，讨论其可检验含义，并在该假设失效时推导锐界。
- 材料陈述的贡献
- 摘要称，研究将既有主要针对二元结果的必要性概率分析扩展到有序结果，并给出识别路径及大样本锐界的显式公式。
- 阅读关注点
- 应核对单调增量假设的精确定义、可检验约束与充分条件的区别，以及假设失效后锐界仍依赖哪些信息和前提。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确定完整识别条件、锐界公式或估计推断方法；可检验含义也不等于假设可被完全验证。
原文摘要
Summary Although the existing causal inference literature focuses on the forward-looking perspective by estimating effects of causes, the backward-looking perspective can provide insights into causes of effects. In backward-looking causal inference, the probability of necessity measures the probability that a certain event is caused by the treatment, given the observed treatment and outcome. Most existing results focus on binary outcomes. Motivated by applications with ordinal outcomes, we propose a general definition of the probability of necessity. However, identifying the probability of necessity is challenging because it involves the joint distribution of the potential outcomes. We propose the novel assumption of a monotonic incremental treatment effect to identify the probability of necessity with ordinal outcomes. We also discuss the testable implications of this key identification assumption. When it fails, we derive explicit formulas of the sharp large-sample bounds on the probability of necessity.