Causal Identification for Complex Functional Longitudinal Studies
复杂函数型纵向研究的因果识别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：摘要明确研究连续时间治疗干预的非参数因果识别，并推广经典因果识别公式。
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
复杂函数型纵向研究的因果识别
- 研究问题
- 当结局、治疗与混杂变量在连续时间中被监测，且存在持续的治疗与混杂反馈时，如何识别包含死亡和删失的因果目标？
- 方法与思路
- 作者借鉴粗化数据框架，结合随机过程、测度论与网收敛，建立非参数识别框架，推广经典因果识别公式并开展蒙特卡洛模拟。
- 材料陈述的贡献
- 摘要称框架推广了 g-computation、逆概率加权和双重稳健公式，可处理受死亡与删失影响的时变结局，并为后续估计研究奠定基础。
- 阅读关注点
- 应核对连续时间干预、死亡后结局与删失的定义，以及各识别公式所需条件、网收敛的作用和模拟验证的具体对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出完整识别条件，也未说明是否已有可实施估计器及其推断理论。
原文摘要
Real-time monitoring in modern medical research introduces functional longitudinal data, characterized by continuous-time measurements of outcomes, treatments, and confounders. This complexity leads to uncountably infinite treatment-confounder feedbacks, which traditional causal inference methodologies cannot handle. Inspired by the coarsened data framework, we adopt stochastic process theory, measure theory, and net convergence to propose a nonparametric causal identification framework. This framework generalizes classical g-computation, inverse probability weighting, and doubly robust formulas, accommodating time-varying outcomes subject to mortality and censoring for functional longitudinal data. We examine our framework through Monte Carlo simulations. Our approach addresses significant gaps in current methodologies, providing a solution for functional longitudinal data and paving the way for future estimation work in this domain.