Population intervention models in causal inference
因果推断中的总体干预模型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。
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：摘要明确研究假设干预、反事实总体分布与因果参数，并提出逆概率加权和双重稳健估计，直接对应因果推断。
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
因果推断中的总体干预模型
- 研究问题
- 如何刻画假设干预下的处理特定反事实结果分布与目标总体实际结果分布之间的差异，并估计相应干预效应？
- 方法与思路
- 作者提出总体干预模型，重点建模均值差与均值比，并提供处理概率逆加权和双重稳健估计量，用模拟考察有限样本。
- 材料陈述的贡献
- 摘要称，新因果参数自然扩展既有边际结构模型思路，形成描述总体假设干预影响的模型及两类估计程序。
- 阅读关注点
- 应核对干预与目标总体的定义、反事实参数识别条件、加权和双重稳健估计形式，以及模拟中的模型错设安排。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；识别假设、双重稳健成立条件及模拟数值未说明，不能据此确认具体应用可识别。
原文摘要
We propose a new causal parameter, which is a natural extension of existing approaches to causal inference such as marginal structural models. Modelling approaches are proposed for the difference between a treatment-specific counterfactual population distribution and the actual population distribution of an outcome in the target population of interest. Relevant parameters describe the effect of a hypothetical intervention on such a population and therefore we refer to these models as population intervention models. We focus on intervention models estimating the effect of an intervention in terms of a difference and ratio of means, called risk difference and relative risk if the outcome is binary. We provide a class of inverse-probability-of-treatment-weighted and doubly-robust estimators of the causal parameters in these models. The finite-sample performance of these new estimators is explored in a simulation study.