Doubly-Robust Functional Average Treatment Effect Estimation
函数型平均治疗效应的双重稳健估计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：摘要明确研究观察数据中的函数型平均治疗效应和双重稳健因果估计；函数型均值目标本身不足以归为分位数与分布效应。
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…
函数型平均治疗效应的双重稳健估计
- 研究问题
- 当观察研究的结果是定义于时间或空间等连续域上的函数时，如何估计整条平均治疗效应曲线并进行同时推断？
- 方法与思路
- 作者提出 DR-FoS，将函数型数据分析与因果推断结合，构造双重稳健估计，并通过高斯过程极限建立全域同时置信带。
- 材料陈述的贡献
- 摘要称结果模型或治疗分配模型中一个正确时仍可一致估计函数型平均效应，建立高斯过程收敛，并以模拟和 SHARE 数据展示应用。
- 阅读关注点
- 应核对函数型效应的识别条件、函数观测与平滑处理、辅助模型误差要求，以及过程收敛和同时置信带构造的具体条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；双重稳健不涵盖两个模型同时错误，摘要也未完整说明因果识别假设。
原文摘要
Understanding causal relationships in the presence of complex, structured data remains a central challenge in modern statistics and science in general. While traditional causal inference methods are well-suited for scalar outcomes, many scientific applications demand tools capable of handling functional data -- outcomes observed as functions over continuous domains such as time or space. Motivated by this need, we propose DR-FoS, a novel method for estimating the Functional Average Treatment Effect (FATE) in observational studies with functional outcomes. DR-FoS exhibits double robustness properties, ensuring consistent estimation of FATE even if either the outcome or the treatment assignment model is misspecified. By leveraging recent advances in functional data analysis and causal inference, we establish the asymptotic properties of the estimator, proving its convergence to a Gaussian process. This guarantees valid inference with simultaneous confidence bands across the entire functional domain. Through extensive simulations, we show that DR-FoS achieves robust performance under a wide range of model specifications. Finally, we illustrate the utility of DR-FoS in a real-world application, analyzing functional outcomes to uncover meaningful causal insights in the SHARE ({\em Survey of Health, Aging and Retirement in Europe}) dataset.