The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation
多处理与多结果对处理效应估计的助益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：摘要明确研究未观测混杂下的处理效应识别，并利用代理变量和因果发现进行估计。
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…
多处理与多结果对处理效应估计的助益
- 研究问题
- 存在未观测混杂时，同时研究多个处理和多个结果，能否利用其他处理与结果作为代理变量，帮助识别各处理效应？
- 方法与思路
- 作者建立多处理、多结果的研究设置，分析跨结果研究相互辅助识别的机制，并提出发现可用代理变量的因果发现方法。
- 材料陈述的贡献
- 摘要称，其他处理和结果可作为特定处理效应的代理信息，作者提出识别这些代理的方法，并以合成数据和脓毒症应用展示用途。
- 阅读关注点
- 应核对哪些变量有资格作为代理、因果发现与效应识别各需何种条件，以及代理选择错误和未观测混杂如何影响估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审状态未经核实。摘要未说明代理识别的完整条件，增加处理和结果数量并不自动消除混杂偏差。
原文摘要
Assessing causal effects in the presence of unobserved confounding is a challenging problem. Existing studies leveraged proxy variables or multiple treatments to adjust for the confounding bias. In particular, the latter approach attributes the impact on a single outcome to multiple treatments, allowing estimating latent variables for confounding control. Nevertheless, these methods primarily focus on a single outcome, whereas in many real-world scenarios, there is greater interest in studying the effects on multiple outcomes. Besides, these outcomes are often coupled with multiple treatments. Examples include the intensive care unit (ICU), where health providers evaluate the effectiveness of therapies on multiple health indicators. To accommodate these scenarios, we consider a new setting dubbed as multiple treatments and multiple outcomes. We then show that parallel studies of multiple outcomes involved in this setting can assist each other in causal identification, in the sense that we can exploit other treatments and outcomes as proxies for each treatment effect under study. We proceed with a causal discovery method that can effectively identify such proxies for causal estimation. The utility of our method is demonstrated in synthetic data and sepsis disease.