Identification and Estimation of Joint Potential Outcome Distributions from a Single Study
从单项研究识别与估计潜在结果的联合分布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：摘要研究潜在结果联合分布的因果识别及受益受损比例，同时涉及因果推断与分布效应。
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
从单项研究识别与估计潜在结果的联合分布
- 研究问题
- 在单项研究中，能否识别潜在结果的联合分布，从而估计因处理受益或受损的比例，以及其他依赖联合分布的因果量？
- 方法与思路
- 作者利用关联未处理潜在结果、但在给定该结果后不改变处理效应的基线协变量，转化多研究识别框架，并构造正交估计量。
- 材料陈述的贡献
- 摘要称，论文给出单研究场景的识别与估计理论，并提供需协变量调整时的 Neyman 正交估计，同时强调精确识别假设很难成立。
- 阅读关注点
- 应核对基线协变量所需限制、分类结果与二元处理的适用范围、调整后的条件独立要求，以及敏感性分析如何呈现识别脆弱性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出完整识别条件，且作者承认其精确成立罕见，不能把联合分布视为一般可识别。
原文摘要
Most causal inference methods focus on estimating marginal average treatment effects, but many important causal estimands depend on the joint distribution of potential outcomes, including the probability of causation and proportions benefiting from or harmed by treatment. Wu et al (2025) recently established nonparametric identification of this joint distribution for categorical outcomes under binary treatment by leveraging variation across multiple studies. We demonstrate that their multi-study framework can be implemented within a single study by using a baseline covariate that is associated with untreated potential outcomes but does not modify treatment effects conditional on those outcomes. This reframing substantially broadens the practical applicability of their results, as it eliminates the need for multiple independent datasets and gives analysts control over covariate selection to satisfy key identifying assumptions. We provide complete identification and estimation theory for the single-study setting, including a Neyman-orthogonal estimator for cases where the conditional independence assumption only holds after adjusting for covariates. However, we argue that only in unusual settings would it be even theoretically possible for the identifying assumptions to hold exactly, making sensitivity analysis particularly important. We validate the estimator in a simulation and apply it to data from a large field experiment assessing the effect of mailings on voter turnout.