Nonparametric causal inference for optogenetics: sequential excursion effects for dynamic regimes
光遗传学的非参数因果推断：动态方案中的序贯偏离效应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：摘要明确讨论序贯随机实验、动态处理方案、因果效应识别及稳健估计。
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…
光遗传学的非参数因果推断：动态方案中的序贯偏离效应
- 研究问题
- 面对开放环与闭环光遗传实验，如何利用序贯干预信息识别更丰富的行为因果效应，并处理动态方案中的正值性违反？
- 方法与思路
- 作者联系序贯随机实验，建立非参数框架并扩展历史受限边际结构模型，提出逆概率加权估计及两次干预时点的多重稳健估计。
- 材料陈述的贡献
- 摘要称研究给出可识别效应的分类、识别充分条件、估计量渐近保证、检验与可扩展实现，并在神经科学数据中揭示常规分析遗漏的效应。
- 阅读关注点
- 应核对可识别的处理序列及其支持限制、序贯偏离效应的定义、正值性违反的处理范围，以及多重稳健性仅适用两时点的条件。
- 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；处理正值性违反不意味着所有动态方案效应均可识别。
原文摘要
Optogenetics is a powerful neuroscience technique for studying how neural circuit manipulation affects behavior. Standard analysis conventions discard information and severely limit the scope of the causal questions that can be probed. To address this gap, we 1) draw connections to the causal inference literature on sequentially randomized experiments, 2) propose a non-parametric framework for analyzing "open-loop" (static regime) optogenetics behavioral experiments, 3) derive extensions of history-restricted marginal structural models for dynamic treatment regimes with positivity violations for "closed-loop" designs, and 4) propose a taxonomy of identifiable causal effects that encompass a far richer collection of scientific questions compared to standard methods. From another view, our work extends "excursion effect" methods, popularized recently in the mobile health literature, to enable estimation of causal contrasts for treatment sequences in the presence of positivity violations. We describe sufficient conditions for identifiability of the proposed causal estimands, and provide asymptotic statistical guarantees for a proposed inverse probability-weighted estimator, a multiply-robust estimator (for two intervention timepoints), a framework for hypothesis testing, and a computationally scalable implementation. Finally, we apply our framework to data from a recent neuroscience study and show how it provides insight into causal effects of optogenetics on behavior that are obscured by standard analyses.