Causal Inference with Complex Treatments: A Survey
复杂处理下的因果推断：综述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：摘要明确综述多值、连续和组合处理的因果效应估计方法及识别假设。
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…
复杂处理下的因果推断：综述
- 研究问题
- 当处理包含多值、连续剂量或组合选项，超出传统二元处理设定时，现有因果推断方法如何定义效应、组织识别假设并应对混杂问题？
- 方法与思路
- 作者先回顾问题定义、基本假设及其变体，再按多值、连续和组合处理梳理方法，并在各类中区分符合与不符合无混杂假设的研究路径。
- 材料陈述的贡献
- 摘要称，该综述系统整理复杂处理下的因果推断方法，讨论可用数据集与开源代码，并归纳研究现状及潜在未来方向，主要贡献是文献组织。
- 阅读关注点
- 应核对三类复杂处理的效应定义与假设差异，查看违反无混杂假设的方法依靠何种替代识别信息，并检查文献覆盖、数据和代码的适用性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未说明检索范围、筛选标准和覆盖截止时间，不能据此判断综述完备性或方法优劣。
原文摘要
Causal inference plays an important role in explanatory analysis and decision making across various fields like statistics, marketing, health care, and education. Its main task is to estimate treatment effects and make intervention policies. Traditionally, most of the previous works typically focus on the binary treatment setting that there is only one treatment for a unit to adopt or not. However, in practice, the treatment can be much more complex, encompassing multi-valued, continuous, or bundle options. In this paper, we refer to these as complex treatments and systematically and comprehensively review the causal inference methods for addressing them. First, we formally revisit the problem definition, the basic assumptions, and their possible variations under specific conditions. Second, we sequentially review the related methods for multi-valued, continuous, and bundled treatment settings. In each situation, we tentatively divide the methods into two categories: those conforming to the unconfoundedness assumption and those violating it. Subsequently, we discuss the available datasets and open-source codes. Finally, we provide a brief summary of these works and suggest potential directions for future research.