Beyond Conditional Averages: Estimating The Individual Causal Effect Distribution
超越条件平均效应：估计个体因果效应分布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：摘要明确讨论个体因果效应分布的识别与估计，同时涉及因果推断和分布效应。
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…
关注这篇论文的作者
超越条件平均效应：估计个体因果效应分布
- 研究问题
- 当个体因果效应仍有显著异质性时，如何超越条件平均效应，在无法直接观测潜在结果联合分布的情况下识别个体效应分布？
- 方法与思路
- 作者在一致性、正值性和条件可交换性之外，假设个体效应与未暴露潜在结果条件独立，并用灵活潜变量模型估计效应分布。
- 材料陈述的贡献
- 摘要称，上述条件可识别个体效应分布；脂肪肝案例估计有害效应超过平均效应两倍的人口占比为20.6%，95%贝叶斯可信区间为8.9%至33.6%。
- 阅读关注点
- 应重点核对额外条件独立假设的实质含义与可检验性、潜变量模型的识别和验证方式，以及先验和模型误设对尾部效应比例的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验。案例数值依赖所列假设与模型，摘要不足以判断独立性假设是否可信或结论是否稳健。
原文摘要
In recent years, the field of causal inference from observational data has emerged rapidly. The literature has focused on (conditional) average causal effect estimation. When (remaining) variability of individual causal effects (ICEs) is considerable, average effects may be uninformative for an individual. The fundamental problem of causal inference precludes estimating the joint distribution of potential outcomes without making assumptions. In this work, we show that the ICE distribution is identifiable under (conditional) independence of the individual effect and the potential outcome under no exposure, in addition to the common assumptions of consistency, positivity, and conditional exchangeability. Moreover, we present a family of flexible latent variable models that can be used to study individual effect modification and estimate the ICE distribution from cross-sectional data. How such latent variable models can be applied and validated in practice is illustrated in a case study on the effect of Hepatic Steatosis on a clinical precursor to heart failure. Under the assumptions presented, we estimate that 20.6% (95% Bayesian credible interval: 8.9%, 33.6%) of the population has a harmful effect greater than twice the average causal effect.