Assignment-Control Plots: A Visual Companion for Causal Inference Study Design
分配—控制图：因果推断研究设计的可视化辅助工具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：摘要明确围绕因果研究设计、倾向得分平衡、处理自选择偏差及效应估计精度展开。
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
分配—控制图：因果推断研究设计的可视化辅助工具
- 研究问题
- 因果研究设计中，如何区分与处理分配有关和与预期结局有关的基线变异，从而直观理解偏差控制与精度改善？
- 方法与思路
- 作者提出分配—控制图及其变体，将已测协变量空间分解为不同设计相关变异，并以心胸外科研究展示其使用。
- 材料陈述的贡献
- 摘要称，这组图形能直观呈现因果推断核心概念，为教学、实际应用和研究设计的方法发展提供辅助。
- 阅读关注点
- 应核对各图轴与空间分解的定义、倾向得分和预期结局的估计方式，以及图形如何转化为具体的设计决策。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明图形诊断的统计保证，可视化本身不能排除未测混杂。
原文摘要
An important step for any causal inference study design is understanding the distribution of the treated and control subjects in terms of measured baseline covariates. However, not all baseline variation is equally important. In the observational context, balancing on baseline variation summarized in a propensity score can help reduce bias due to self-selection. In both observational and experimental studies, controlling baseline variation associated with the expected outcomes can help increase the precision of causal effect estimates. We propose a set of visualizations which decompose the space of measured covariates into the different types of baseline variation important to the study design. These ``assignment-control plots'' and variations thereof visually illustrate core concepts of causal inference and suggest new directions for methodological research on study design. As a practical demonstration, we illustrate one application of assignment-control plots to a study of cardiothoracic surgery. While the family of visualization tools for studies of causality is relatively sparse, simple visual tools can be an asset to education, application, and methods development.