Multivariate incremental effects for continuous treatments: Studying the health effects of environmental mixtures
连续处理的多变量增量效应：环境混合暴露的健康影响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：摘要直接讨论连续多变量处理的政策干预、因果目标参数及环境暴露的健康效应估计。
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…
连续处理的多变量增量效应：环境混合暴露的健康影响
- 研究问题
- 在多变量连续环境暴露经常违反正值性条件时，如何定义可解释的政策干预效应，并公平比较不同暴露调整方向？
- 方法与思路
- 作者将指数倾斜扩展到多变量暴露，构造政策相关因果目标，结合有效一步估计与黎曼 BFGS 求解受约束的流形优化问题。
- 材料陈述的贡献
- 摘要称给出半参数效率界、极小极大收敛率及渐近正态性，并以全国环境健康数据分析 PM₂.₅ 化学混合物的优化干预。
- 阅读关注点
- 应核对倾斜干预如何保持支持集、方向比较的约束标准，以及优化目标、效率结论和健康应用的因果识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出具体识别条件、收敛率或健康效应数值，优化结论范围待核对。
原文摘要
Evaluating the causal health effects of multivariate, continuous exposures, such as air pollution mixtures, is a critical public health challenge. A primary obstacle is the frequent violation of the positivity assumption, which renders the effects of standard deterministic interventions unidentified or heavily reliant on unreliable model extrapolation. In this paper, we develop a novel causal inference framework to address this challenge. We extend exponential tilting to multivariate exposures and address the critical question of how to compare different intervention directions fairly. This establishes a systematic framework for defining and evaluating various policy-relevant causal estimands, allowing researchers to address diverse scientific questions. We develop numerous methodological advancements, including efficient one-step estimation strategies, a Riemannian BFGS algorithm to solve a constrained manifold optimization problem, semiparametric efficiency bounds for causal estimands, minimax rates for estimators, and establishing asymptotic normality. We demonstrate our framework's utility by applying it to a nationwide environmental health dataset to identify the optimal strategy for reducing adverse health outcomes associated with a PM$_{2.5}$ chemical mixture.