Doubly robust estimation of causal effects for random object outcomes with continuous treatments
连续处理下随机对象结局因果效应的双重稳健估计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：摘要研究连续处理的因果推断，并明确以死亡年龄分布等分布值结局为应用对象。
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…
连续处理下随机对象结局因果效应的双重稳健估计
- 研究问题
- 当结局是图像、形状或分布等非欧几里得随机对象时，如何估计连续处理的因果效应，并对反事实对象进行预测？
- 方法与思路
- 作者利用 Hilbert 空间嵌入处理度量空间对象，结合 Fréchet 均值、双重去偏、交叉拟合及共形推断进行估计和预测。
- 材料陈述的贡献
- 摘要称建立随机对象连续处理的因果推断框架，推导有效影响函数与估计量渐近性质，并应用于颗粒物暴露和死亡年龄分布。
- 阅读关注点
- 应核对对象空间嵌入的要求、连续处理效应的定义、双重稳健与交叉拟合条件，以及共形预测保证针对何种反事实对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未列出识别假设、收敛条件或预测覆盖条件，不能确认实际应用满足这些要求。
原文摘要
Causal inference is central to statistics and scientific discovery, enabling researchers to identify cause-and-effect relationships beyond associations. While traditionally studied within Euclidean spaces, contemporary applications increasingly involve complex, non-Euclidean data structures that reside in abstract metric spaces, known as random objects, such as images, shapes, networks, and distributions. This paper introduces a novel framework for causal inference with continuous treatments applied to non-Euclidean data. To address the challenges posed by the lack of linear structures, we leverage Hilbert space embeddings of the metric spaces to facilitate Fréchet mean estimation and causal effect mapping. Motivated by a study on the impact of exposure to fine particulate matter on age-at-death distributions across U.S. counties, we propose a nonparametric, doubly-debiased causal inference approach for outcomes as random objects with continuous treatments. Our framework can accommodate moderately high-dimensional vector-valued confounders and derive efficient influence functions for estimation to ensure both robustness and interpretability. We establish rigorous asymptotic properties of the cross-fitted estimators and employ conformal inference techniques for counterfactual outcome prediction. Validated through numerical experiments and applied to real-world environmental data, our framework extends causal inference methodologies to complex data structures, broadening its applicability across scientific disciplines.