Causal Inference for Aggregated Treatment
聚合处理变量的因果推断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：摘要直接讨论聚合处理的因果效应解释、随机分配和子处理效应权重，对应因果推断。
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…
聚合处理变量的因果推断
- 研究问题
- 将多个子处理合成为一个处理变量后，其边际因果效应是否仍能解释为明确且合理的子处理效应加权平均？
- 方法与思路
- 作者分析聚合效应背后的权重性质，包括随机分配情形，并按子处理变量是否可观测提出避免权重问题的方案。
- 材料陈述的贡献
- 摘要称，权重可能不唯一或为负，且这些问题随子处理数量和支持集扩大而指数式更易出现，随机分配也不能自动排除。
- 阅读关注点
- 核对聚合规则、边际效应与权重的定义，以及指数式增长结论的条件和两类修正方案所需的观测信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未提供权重推导、概率计算条件或修正方案的具体实现。
原文摘要
In this paper, we study causal inference when the treatment variable is an aggregation of multiple sub-treatment variables. Researchers often report marginal causal effects for the aggregated treatment, implicitly assuming that the target parameter corresponds to a well-defined average of sub-treatment effects. We show that, even in an ideal scenario for causal inference such as random assignment, the weights underlying this average have some key undesirable properties: they are not unique, they can be negative, and, holding all else constant, these issues become exponentially more likely to occur as the number of sub-treatments increases and the support of each sub-treatment grows. We propose approaches to avoid these problems, depending on whether or not the sub-treatment variables are observed.