Measures for Assessing Causal Effect Heterogeneity Unexplained by Covariates
评估协变量无法解释的因果效应异质性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：摘要明确围绕条件平均因果效应、个体效应异质性和随机干预建立新估计对象及识别界限，直接属于因果推断方向。
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
评估协变量无法解释的因果效应异质性
- 研究问题
- 即使已按协变量刻画条件平均因果效应，个体之间仍有哪些未被解释的正负效应差异，如何为连续结果和连续处理定义指标？
- 方法与思路
- 作者对二元处理提出正向和负向受影响人群的 P-CACE、N-CACE，并借助随机干预定义连续处理指标，建立识别与界限理论。
- 材料陈述的贡献
- 摘要称新指标将协变量未解释的异质性分析扩展到连续结果及连续处理，给出识别和界限定理，并展示真实数据应用。
- 阅读关注点
- 应核对正负受影响人群的定义、跨潜在结果信息如何处理，以及各指标何时点识别、何时只能给界限和随机干预的含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明识别假设、界限形式或应用数据，不能判断指标可识别的实际范围。
原文摘要
There has been considerable interest in estimating heterogeneous causal effects across individuals or subpopulations. Researchers often assess causal effect heterogeneity based on the subjects' covariates using the conditional average causal effect (CACE). However, substantial heterogeneity may persist even after accounting for the covariates. Existing work on causal effect heterogeneity unexplained by covariates mainly focused on binary treatment and outcome. In this paper, we introduce novel heterogeneity measures, P-CACE and N-CACE, for binary treatment and continuous outcome that represent CACE over the positively and negatively affected subjects, respectively. We also introduce new heterogeneity measures, P-CPICE and N-CPICE, for continuous treatment and continuous outcome by leveraging stochastic interventions, expanding causal questions that researchers can answer. We establish identification and bounding theorems for these new measures. Finally, we show their application to a real-world dataset.