Retrospective causal inference with multiple effect variables
基于多个结果变量的回溯因果推断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。
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：摘要直接研究后验因果效应、反事实归因及其识别。
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…
基于多个结果变量的回溯因果推断
- 研究问题
- 当多个结果已经被观察到时，如何结合这些证据回溯其原因，并区分后验总因果效应、干预效应和直接效应？
- 方法与思路
- 作者定义给定观测证据的多元后验因果效应，在无混杂与单调性假设下研究可识别性，并提供相应识别方程。
- 材料陈述的贡献
- 摘要称，方法将基于单个结果的回溯因果分析扩展到多个结果，并以两个例子说明其在归因、诊断和责任分析中的用途。
- 阅读关注点
- 应核对后验效应的反事实定义、无混杂和单调性的具体形式，以及多结果证据如何进入识别方程与归因解释。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断这些假设在实际应用中是否可信，也不能把回溯因果归因直接视为法律责任结论。
原文摘要
Summary As highlighted in Dawid (2000) and Pearl & Mackenzie (2018), deducing the causes of given effects is a more challenging problem than evaluating the effects of causes in causal inference. Lu et al. (2023) proposed an approach for deducing causes of a single effect variable based on posterior causal effects. In many applications, there are multiple effect variables, and they can be used simultaneously to more accurately deduce the causes. To retrospectively deduce causes from multiple effects, we propose multivariate posterior total, intervention and direct causal effects conditional on the observed evidence. We describe the assumptions of no confounding and monotonicity, under which we prove identifiability of the multivariate posterior causal effects and provide their identification equations. The proposed approach can be applied for causal attributions, medical diagnosis, blame and responsibility in various studies with multiple effect or outcome variables. Two examples are used to illustrate the proposed approach.