Causal Inference in the Time of Covid-19
COVID-19 疫情时期的因果推断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：摘要明确使用边际结构模型开展因果推断，并估计干预下的反事实死亡时间序列。
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…
COVID-19 疫情时期的因果推断
- 研究问题
- 如何从疫情数据估计社会流动性对死亡人数的因果影响，并判断模型误设和未观测混杂会在多大程度上改变结论？
- 方法与思路
- 作者以修改的基本疫情模型为依据构建边际结构模型，估计不同流动性干预下的反事实死亡时间序列，并开展多种敏感性分析。
- 材料陈述的贡献
- 摘要称数据支持减少流动性会减少死亡的解释，同时发现结论对模型误设和未观测混杂敏感，强调效应大小需谨慎解释。
- 阅读关注点
- 核对疫情机制与边际结构模型的连接、干预与时间滞后的定义、因果识别条件，以及各类敏感性分析如何改变效应估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出识别条件或效应数值，作者的因果判断仍受所述敏感性限制。
原文摘要
In this paper we develop statistical methods for causal inference in epidemics. Our focus is in estimating the effect of social mobility on deaths in the Covid-19 pandemic. We propose a marginal structural model motivated by a modified version of a basic epidemic model. We estimate the counterfactual time series of deaths under interventions on mobility. We conduct several types of sensitivity analyses. We find that the data support the idea that reduced mobility causes reduced deaths, but the conclusion comes with caveats. There is evidence of sensitivity to model misspecification and unmeasured confounding which implies that the size of the causal effect needs to be interpreted with caution. While there is little doubt the the effect is real, our work highlights the challenges in drawing causal inferences from pandemic data.