Causal Inference for Quantile Treatment Effects
分位数处理效应的因果推断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：摘要同时明确研究暴露的因果效应和总体分位数处理效应，因此直接对应因果推断及分位数与分布效应。
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…
分位数处理效应的因果推断
- 研究问题
- 当研究目标是洪水、污染等现象的高分位数而非均值时，如何估计二元、离散或连续暴露对总体结果分位数的因果影响？
- 方法与思路
- 作者定义加权分位数处理效应及含倾向得分的平衡权重，推导渐近性质，并比较倾向得分回归与两种加权估计方法。
- 材料陈述的贡献
- 摘要称，普通总体分位数处理效应是其加权框架的特例，方法覆盖多种暴露类型，并用于估计河流磷暴露对铜浓度第95百分位的效应。
- 阅读关注点
- 应核对加权目标总体与效应定义、不同暴露类型的识别条件、权重和分位数估计稳定性，以及高分位数推断的样本要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未展开识别与渐近条件，也未报告河流应用的效应大小或不确定性。
原文摘要
Analyses of environmental phenomena often are concerned with understanding unlikely events such as floods, heatwaves, droughts or high concentrations of pollutants. Yet the majority of the causal inference literature has focused on modelling means, rather than (possibly high) quantiles. We define a general estimator of the population quantile treatment (or exposure) effects (QTE) -- the weighted QTE (WQTE) -- of which the population QTE is a special case, along with a general class of balancing weights incorporating the propensity score. Asymptotic properties of the proposed WQTE estimators are derived. We further propose and compare propensity score regression and two weighted methods based on these balancing weights to understand the causal effect of an exposure on quantiles, allowing for the exposure to be binary, discrete or continuous. Finite sample behavior of the three estimators is studied in simulation. The proposed methods are applied to data taken from the Bavarian Danube catchment area to estimate the 95% QTE of phosphorus on copper concentration in the river.