Geodesic Causal Inference
测地空间中的因果推断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：摘要明确提出平均处理效应、混杂调整与双重稳健估计；网络仅作为结果取值形式出现，不足以归入网络干扰方向。
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…
测地空间中的因果推断
- 研究问题
- 当结果是网络或构成比例等非欧氏对象时，如何在一般测地度量空间中定义平均处理效应、调整混杂并量化不确定性？
- 方法与思路
- 作者构造支持测地线标量运算的测地微积分，定义测地平均处理效应，借助 Fréchet 回归建立双重稳健估计和内在不确定性分析。
- 材料陈述的贡献
- 摘要称，论文给出估计量的一致性与收敛率，并以出租车网络和州级能源构成应用说明框架对非欧氏结果的适用性。
- 阅读关注点
- 应核对测地线与 Fréchet 目标的存在唯一性、因果识别条件、双重稳健性的具体含义，以及不确定性区域如何定义与校准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明几何及识别条件，网络值结果本身不意味着已处理单位间干扰。
原文摘要
Adjusting for confounding and imbalance when establishing statistical relationships is an increasingly important task, and causal inference methods have emerged as the most popular tool to achieve this. Existing methodology has been developed primarily for outcomes that lie in Euclidean spaces. We introduce here a general framework for causal inference when outcomes reside in general geodesic metric spaces, where we draw on a novel geodesic calculus that facilitates scalar multiplication for geodesics and the quantification of treatment effects through the concept of geodesic average treatment effect. Using ideas from Fréchet regression, we obtain a doubly robust estimation of the geodesic average treatment effect and results on consistency and rates of convergence for the proposed estimators. We also develop an intrinsic uncertainty quantification framework for the treatment effect based on Fréchet objective functions. The proposed framework is illustrated through simulations and real data applications, including network-valued outcomes from New York City taxi trips to assess the impact of the COVID-19 pandemic, and compositional data on U.S. state-level energy sources to study the effect of coal mining.