Nonlinear Regression with Residuals: Causal Estimation with Time-varying Treatments and Covariates
残差非线性回归：时变处理与协变量下的因果估计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：摘要直接研究时变处理、处理后协变量及碰撞点偏差下的因果效应估计。
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…
残差非线性回归：时变处理与协变量下的因果估计
- 研究问题
- 当协变量受先前处理影响，且潜在变量使调整产生碰撞点偏差时，如何修改回归方法以一致估计时变处理的因果效应？
- 方法与思路
- 作者将残差回归扩展至线性、对数线性、probit 和 Cox 模型，通过简单的共线性调整构造属于参数化 g 公式的估计量。
- 材料陈述的贡献
- 摘要称，所提估计量对一个合理的因果目标具有一致性，并将残差回归推广至多种典型非线性模型，便于使用标准回归软件实现。
- 阅读关注点
- 应核对目标因果量、潜在变量与碰撞点的图结构、共线性调整步骤，以及一致性证明所需的识别和模型条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核实；摘要未说明具体识别假设，也不能据此判断模型错设下的表现。
原文摘要
Standard regression adjustment gives inconsistent estimates of causal effects when there are time-varying treatment effects and time-varying covariates. Loosely speaking, the issue is that some covariates are post-treatment variables because they may be affected by prior treatment status, and regressing out post-treatment variables causes bias. More precisely, the bias is due to certain non-confounding latent variables that create colliders in the causal graph. These latent variables, which we call phantoms, do not harm the identifiability of the causal effect, but they render naive regression estimates inconsistent. Motivated by this, we ask: how can we modify regression methods so that they hold up even in the presence of phantoms? We develop an estimator for this setting based on regression modeling (linear, log-linear, probit and Cox regression), proving that it is consistent for a reasonable causal estimand. In particular, the estimator is a regression model fit with a simple adjustment for collinearity, making it easy to understand and implement with standard regression software. The proposed estimators are instances of the parametric g-formula, extending the regression-with-residuals approach to several canonical nonlinear models.