Partial Identification of Dose Responses with Hidden Confounders
隐藏混杂下剂量响应的部分识别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：摘要直接研究隐藏混杂下连续处理因果效应的部分识别与敏感性分析。
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…
隐藏混杂下剂量响应的部分识别
- 研究问题
- 当观测数据存在未观测混杂、连续处理效应无法点识别时，如何为平均及条件平均剂量响应提供有意义的界限？
- 方法与思路
- 作者提出面向连续处理的敏感性分析方法，为平均和条件平均处理效应构造界限，并通过半合成数据和真实案例评估。
- 材料陈述的贡献
- 摘要称该方法在多个数据集的半合成比较中，对真实剂量响应曲线给出更紧的覆盖，并展示剂量相关效应的应用价值。
- 阅读关注点
- 应核对隐藏混杂的敏感性模型、界限的识别与估计条件，以及更紧覆盖是否同时维持覆盖率和公平的比较设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明敏感性参数、界限锐性、覆盖率及具体应用结果。
原文摘要
Inferring causal effects of continuous-valued treatments from observational data is a crucial task promising to better inform policy- and decision-makers. A critical assumption needed to identify these effects is that all confounding variables -- causal parents of both the treatment and the outcome -- are included as covariates. Unfortunately, given observational data alone, we cannot know with certainty that this criterion is satisfied. Sensitivity analyses provide principled ways to give bounds on causal estimates when confounding variables are hidden. While much attention is focused on sensitivity analyses for discrete-valued treatments, much less is paid to continuous-valued treatments. We present novel methodology to bound both average and conditional average continuous-valued treatment-effect estimates when they cannot be point identified due to hidden confounding. A semi-synthetic benchmark on multiple datasets shows our method giving tighter coverage of the true dose-response curve than a recently proposed continuous sensitivity model and baselines. Finally, we apply our method to a real-world observational case study to demonstrate the value of identifying dose-dependent causal effects.