Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach
正值性违反下修正处理政策的因果效应：部分识别方法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：摘要研究修正处理政策的潜在结局均值，并在正值性违反下进行部分识别和因果推断，直接属于因果方向。
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…
正值性违反下修正处理政策的因果效应：部分识别方法
- 研究问题
- 连续或多维处理的修正政策产生缺乏数据支持的处理值时，如何保留原政策，并对其平均结局给出可推断的识别区间？
- 方法与思路
- 作者分解支持区域内外的平均结局，用潜在结局条件均值的 Lipschitz 限制界定区域外贡献，并将投影锚点移至内部。
- 材料陈述的贡献
- 摘要称内部位移投影恢复路径可微性；在区域已知时推导影响函数、效率条件及渐近正态估计，并报告模拟覆盖表现。
- 阅读关注点
- 应核对支持区域和距离度量、Lipschitz 常数的敏感性、锚点位移带来的区间变化，以及估计区域时的不确定性处理。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核验；摘要的理论结果以区域已知为前提，未说明估计区域下的完整推断保证。
原文摘要
Modified treatment policies (MTPs) are interventions based on each individual's natural treatment value. We study mean outcomes under MTPs for continuous treatments, including exposure mixtures. Positivity is the standard sufficient condition for identifying these mean outcomes without extrapolation: policy-generated values remain supported given covariates. With multivariate treatments or continuous covariates, treatment--covariate combinations can be sparse or unsupported. Retaining the policy, our partial-identification framework decomposes its mean outcome into a point-identified contribution inside a positivity region and one outside. We bound the latter by imposing Lipschitz continuity on conditional mean potential outcomes rather than a parametric extrapolation model. The restriction compares each outside mean with the mean at an anchor inside the region. Metric projection minimizes width among one-anchor intervals but concentrates anchors on a lower-dimensional boundary, making the endpoints not pathwise differentiable. Our novel interior-displaced projection moves anchors inward, restoring pathwise differentiability. With a known region, we derive influence functions, characterize when they are efficient, and obtain asymptotically normal estimators and confidence intervals. In simulations, our intervals attain at least nominal coverage where those assuming positivity undercover. In a pesticide-mixture application, protective associations suggested by methods assuming positivity are not robust to modest outcome variation beyond the estimated region.