Temporal-Spatial Entropy Balancing for Causal Continuous Treatment-Effect Estimation
连续处理效应估计的时空熵平衡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：摘要直接研究连续处理、混杂控制与补贴或定价的因果效应，时空划分未提供面板或网络模型依据。
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
连续处理效应估计的时空熵平衡
- 研究问题
- 同城货运订单受时间与空间因素影响时，如何在具体时空维度控制混杂，以估计补贴或定价等连续处理对订单量的因果效应？
- 方法与思路
- 作者先进行灵活的时空网格划分，再在网格框架内构建连续处理的熵平衡方法 TS-EBCT，以处理不同时间和空间位置的混杂。
- 材料陈述的贡献
- 摘要称该方法在两个模拟和两个真实数据集上表现良好，并改善货运场景的因果效应预测；具体评价指标和商业收益数值未说明。
- 阅读关注点
- 应核对网格选择、平衡约束、连续处理效应的目标定义和识别条件，以及细分时空单元内的样本量与处理重叠是否充足。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明真实数据如何验证因果效应，也不足以确认商业收益由该方法造成。
原文摘要
In the field of intracity freight transportation, changes in order volume are significantly influenced by temporal and spatial factors. When building subsidy and pricing strategies, predicting the causal effects of these strategies on order volume is crucial. In the process of calculating causal effects, confounding variables can have an impact. Traditional methods to control confounding variables handle data from a holistic perspective, which cannot ensure the precision of causal effects in specific temporal and spatial dimensions. However, temporal and spatial dimensions are extremely critical in the logistics field, and this limitation may directly affect the precision of subsidy and pricing strategies. To address these issues, this study proposes a technique based on flexible temporal-spatial grid partitioning. Furthermore, based on the flexible grid partitioning technique, we further propose a continuous entropy balancing method in the temporal-spatial domain, which named TS-EBCT (Temporal-Spatial Entropy Balancing for Causal Continue Treatments). The method proposed in this paper has been tested on two simulation datasets and two real datasets, all of which have achieved excellent performance. In fact, after applying the TS-EBCT method to the intracity freight transportation field, the prediction accuracy of the causal effect has been significantly improved. It brings good business benefits to the company's subsidy and pricing strategies.