Estimating causal effects of functional treatments with modified functional treatment policies
通过修正函数型处理策略估计函数型处理的因果效应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：摘要明确围绕函数型处理轨迹的潜在结果、策略干预识别及逆概率加权和双重稳健估计展开，属于因果推断方向。
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
通过修正函数型处理策略估计函数型处理的因果效应
- 研究问题
- 当处理变量是一条完整轨迹时，如何估计个体相对已观测轨迹作小幅修改后的平均潜在结果，并赋予其可解释的政策含义？
- 方法与思路
- 作者以函数主成分分解定义函数型变量上的总体平均，建立修正函数型处理策略的识别，并构造结果回归、逆概率加权和双重稳健估计。
- 材料陈述的贡献
- 摘要提出新的函数型处理因果对象及其估计方法，称提供理论保证和模拟验证，并用 NHANES 活动轨迹研究调整活动的死亡效应。
- 阅读关注点
- 应核对无限维总体平均的定义、主成分截断与近似误差，以及轨迹修改是否落在可支持范围内和各估计方法所需的识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未展开所谓温和条件，也未给出死亡效应数值或完全避免正值性要求的依据。
原文摘要
Functional data are increasingly prevalent in biomedical research. While functional data analysis has been established for decades, causal inference with functional treatments remains largely unexplored. Existing methods typically focus on estimating the causal average dose response functional (ADRF), which requires strong positivity assumptions and offers limited interpretability. In this work, we target a new causal estimand, the modified functional treatment policy (MFTP), which focuses on estimating the average potential outcome when each individual slightly modifies their treatment trajectory from the observed one. A major challenge for this new estimand is the need to define an average over an infinite-dimensional object with no density. By proposing a novel definition of the population average over a functional variable using a functional principal component analysis (FPCA) decomposition, we establish the causal identifiability of the MFTP estimand. We further derive outcome regression, inverse probability weighting, and doubly robust estimators for the MFTP, and provide theoretical guarantees under mild regularity conditions. The proposed estimators are validated through extensive simulation studies. Applying our MFTP framework to the National Health and Nutrition Examination Survey (NHANES) accelerometer data, we estimate the causal effects of reducing disruptive nighttime activity and low-activity duration on all-cause mortality.