Forecasting Causal Effects of Future Interventions: Confounding and Transportability Issues
未来干预因果效应的预测：混杂与可迁移性问题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：摘要核心是因果效应的跨时间迁移、时变混杂及非参数识别公式。
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…
未来干预因果效应的预测：混杂与可迁移性问题
- 研究问题
- 研究如何将过去样本中的干预因果效应迁移到未来人群与时间窗口，并处理随时间变化的混杂因素和效应修饰因素。
- 方法与思路
- 作者明确跨时间因果预测的目标量和结构假设，推导非参数 g 计算识别公式，并用政策或社会事件对疫情死亡的影响举例。
- 材料陈述的贡献
- 摘要称提供新的因果效应识别公式与预测所需条件，建立判断过去效应能否延续到未来人群的理论框架。
- 阅读关注点
- 应核对时间固定处理的含义、未来协变量信息来源、跨时间稳定性要求，以及 g 计算公式中哪些部分能够由过去数据识别。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出具体假设，不能据此认定任意未来政策效应均可预测。
原文摘要
Recent developments in causal inference allow us to transport a causal effect of a time-fixed treatment from a randomized trial to a target population across space but within the same time frame. In contrast to transportability across space, transporting causal effects across time or forecasting causal effects of future interventions is more challenging due to time-varying confounders and time-varying effect modifiers. In this article, we seek to formally clarify the causal estimands for forecasting causal effects over time and the structural assumptions required to identify these estimands. Specifically, we develop a set of novel nonparametric identification formulas--g-computation formulas--for these causal estimands, and lay out the conditions required to accurately forecast causal effects from a past observed sample to a future population in a future time window. Our overarching objective is to leverage the modern causal inference theory to provide a theoretical framework for investigating whether the effects seen in a past sample would carry over to a new future population. Throughout the article, a working example addressing the effect of public policies or social events on COVID-related deaths is considered to contextualize the developments of analytical results.