Time Series Treatment Effects Analysis with Always-Missing Controls
对照始终不可观测时的时间序列处理效应分析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：摘要直接研究时间序列事件的处理效应、缺失对照潜在结果及时间依赖，支持因果推断与时间序列分类。
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
对照始终不可观测时的时间序列处理效应分析
- 研究问题
- 当事件发生期的未处理对照结果始终不可观测，例如圣诞节期间没有无节日销售记录时，如何估计事件的处理效应？
- 方法与思路
- 作者尝试在考虑混杂因素和时间依赖的同时恢复事件期对照潜在结果，并使用 M5 沃尔玛零售销售数据开展实验。
- 材料陈述的贡献
- 摘要称，方法能稳健估计对照潜在结果并准确预测节日效应，且处理效应估计具有一致性和渐近正态性的理论保证。
- 阅读关注点
- 应核对未处理潜在结果的识别来源、对照恢复算法，以及季节性、混杂和时间依赖如何进入假设、估计与实验评价。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验。摘要未说明恢复反事实的识别条件，预测表现本身不足以验证因果解释。
原文摘要
Estimating treatment effects in time series data presents a significant challenge, especially when the control group is always unobservable. For example, in analyzing the effects of Christmas on retail sales, we lack direct observation of what would have occurred in late December without the Christmas impact. To address this, we try to recover the control group in the event period while accounting for confounders and temporal dependencies. Experimental results on the M5 Walmart retail sales data demonstrate robust estimation of the potential outcome of the control group as well as accurate predicted holiday effect. Furthermore, we provided theoretical guarantees for the estimated treatment effect, proving its consistency and asymptotic normality. The proposed methodology is applicable not only to this always-missing control scenario but also in other conventional time series causal inference settings.