A longitudinal Bayesian framework for estimating causal dose-response relationships
估计纵向因果剂量反应关系的贝叶斯框架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：摘要明确研究连续暴露的潜在结果、时变混杂和纵向因果剂量反应。
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…
估计纵向因果剂量反应关系的贝叶斯框架
- 研究问题
- 连续暴露随时间变化且存在时变混杂时，如何利用重复结局测量估计边际纵向因果剂量反应，而不局限于二元处理的期末效应？
- 方法与思路
- 作者通过广义倾向得分处理时变混杂，将狄利克雷过程设定嵌入广义估计方程结构，刻画时间相关并灵活拟合连续暴露关系。
- 材料陈述的贡献
- 摘要提出可扩展的非参数贝叶斯框架，并将其应用于国际城市月度地铁客流与新冠病例，报告较高客流与病例增加的剂量反应关系。
- 阅读关注点
- 应核对固定剂量对应的纵向干预定义、广义倾向得分的构造、时间顺序与反馈，以及贝叶斯设定与估计方程的衔接方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出因果识别条件，不能仅凭应用描述确认客流效应已被识别。
原文摘要
Existing causal methods for time-varying exposure and time-varying confounding focus on estimating the average causal effect of a time-varying binary treatment on an end-of-study outcome, offering limited tools for characterizing marginal causal dose-response relationships under continuous exposures. We propose a scalable, nonparametric Bayesian framework for estimating marginal longitudinal causal dose-response functions with repeated outcome measurements. Our approach targets the average potential outcome at any fixed dose level and accommodates time-varying confounding through the generalized propensity score. The proposed approach embeds a Dirichlet process specification within a generalized estimating equations structure, capturing temporal correlation while making minimal assumptions about the functional form of the continuous exposure. We apply the proposed methods to monthly metro ridership and COVID-19 case data from major international cities, identifying causal relationships and the dose-response patterns between higher ridership and increased case counts.