When Treatments Spill Over: A Neural Framework for Spatiotemporal Causal Effect Estimation
当处理发生溢出：时空因果效应估计的神经网络框架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：摘要核心是潜在结果框架下的因果效应识别与估计，并明确处理网络化单元间的溢出与结构化干扰，故对应因果推断与网络及干扰两个方向。
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
当处理发生溢出：时空因果效应估计的神经网络框架
- 研究问题
- 摘要称，研究如何在政策由地方辖区实施、其效应经相连人群扩散的情形下，估计具有单元层面效应与结构化干扰的时空因果效应，即同时识别直接效应、溢出效应与总效应。
- 方法与思路
- 作者提出神经时空溢出框架，将潜在结果分析扩展到网络化政策系统；用自身处理路径与邻里溢出暴露路径索引潜在结果，并以基于LSTM的表示学习编码器把单元自身与邻里历史压缩为序列摘要，再输入自归一化核逆概率加权估计量处理连续溢出暴露。
- 材料陈述的贡献
- 摘要称该框架给出直接、溢出与总效应的分解，提供理论保证，模拟中优于结果回归基线；在一项县级COVID-19政策研究中发现商业与经济限制、教育与托育政策均与后续病例负担下降相关，且前者估计更大。
- 阅读关注点
- 应核对潜在结果的索引方式与结构化干扰假设、连续暴露下自归一化核逆概率加权的识别条件与权重稳定性、LSTM摘要是否引入泄漏，以及模拟设计与县级政策研究的因果解释边界。
- 阅读边界
- 仅依据arXiv预印本摘要，未读全文；摘要未说明识别假设的完整表述、理论保证的具体形式、模拟设定与数据来源、估计量的数值细节，也不能据此判断已通过同行评审或期刊接收。
原文摘要
Real-world public health policies are often enacted by local jurisdictions, but their effects can ripple through connected populations. For causal evaluation, this creates a difficult spatiotemporal problem: intermittent policy updates create path-level treatments, and because spillover depends on neighboring treatment paths along with the focal-unit's own history, controlling time-varying confounding requires high-dimensional, multimodal information from both sources. To address this challenge, we develop a neural spatiotemporal spillover framework that extends potential-outcome causal analysis to networked policy-systems with unit-level effects and structured interference. The framework indexes each unit's potential outcomes through own-treatment and neighborhood spillover-exposure paths, yielding direct, spillover, and total effects. We introduce an LSTM-based representation-learning encoder that integrates each unit's own and neighborhood histories into compact sequential summaries for downstream modeling and causal estimation. These summaries feed a self-normalized kernel inverse-probability-weighting estimator for continuous spillover exposure. Beyond theoretical guarantees, simulations show improved performance over outcome-regression baselines; in a practically motivated county-level COVID-19 policy study, the framework finds both business-and-economic restrictions and education-and-childcare policies associated with lower subsequent case burden, with larger estimates for business-and-economic restrictions. Overall, it provides a scalable, policy-interpretable framework for evaluating unit-level effects in high-dimensional, multimodal spatiotemporal systems when interventions spill over across space and time.