GenAI Powered Dynamic Causal Inference with Unstructured Data
生成式人工智能辅助的非结构化数据动态因果推断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：摘要直接研究序列处理特征的因果效应、边际结构模型和因果置信区间。
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
生成式人工智能辅助的非结构化数据动态因果推断
- 研究问题
- 如何估计文本、图像和视频中处理特征序列的因果效应，并识别同一特征因其在对象中的位置不同而产生的效应差异？
- 方法与思路
- 作者先提取生成式模型内部表征，再用神经网络联合学习序列中各特征的去混杂表示并估计边际结构模型，开展半参数推断。
- 材料陈述的贡献
- 摘要称，框架给出有效渐近置信区间，模拟展示目标效应恢复和名义覆盖率，文本随机实验发现处理特征的位置具有重要影响。
- 阅读关注点
- 应核对序列处理与目标效应的定义、表征和去混杂步骤所需识别条件，以及神经网络估计误差如何进入置信区间构造。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出识别和渐近条件，模拟覆盖率不代表普遍有限样本保证。
原文摘要
A growing number of scholars seek to estimate causal effects of unstructured data such as text, images, and video. However, existing methods typically treat each object as a single, static observation. We develop a statistical framework for dynamic causal inference with unstructured data by leveraging generative artificial intelligence (GenAI) models. Our approach enables researchers to estimate the causal effects of sequences of treatment features, including their positions within text and video. We first extract internal representations of unstructured objects from a GenAI model and then estimate a marginal structural model using a neural network architecture that jointly learns a deconfounder for each treatment feature in the sequence. Our semiparametric inference framework yields valid asymptotic confidence intervals. Simulation studies demonstrate that the proposed estimator recovers the target causal effects and that the confidence intervals achieve nominal coverage in finite samples. We further apply our method to a randomized experiment on the Hong Kong protests, showing that the effect of a treatment feature depends critically on its position within the text.