Causal mediation analysis for zero-inflated longitudinal data in the presence of treatment non-compliance and multiple mediators
存在处理不依从与多个中介时零膨胀纵向数据的因果中介分析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：摘要明确研究处理不依从下的纵向因果中介分析，并用 G-computation 估计因果目标量。
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…
存在处理不依从与多个中介时零膨胀纵向数据的因果中介分析
- 研究问题
- 在消费者未打开促销邮件、多个中介随时间变化且购买数据大量为零时，如何评估增值优惠与价格折扣的作用及其传导机制？
- 方法与思路
- 作者使用基于丰富化狄利克雷过程混合模型的贝叶斯因果中介框架，并通过可扩展的 G-computation 算法估计因果目标量。
- 材料陈述的贡献
- 摘要称，忽略邮件打开行为会削弱估计效应，增值优惠的估计购买金额更高且收益随时间累积，并据观察数据设计个体化序贯邮件策略。
- 阅读关注点
- 应核对不依从与纵向中介的因果目标定义、识别假设、零膨胀建模方式，以及邮件策略优化是否经过独立或前瞻性验证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明中介识别条件和策略外部验证，不能将样本内优化视为部署效果。
原文摘要
Understanding whether a digital marketing campaign is effective is central to designing effective customer engagement strategies. We analyze a large-scale, longitudinal promotional email campaign conducted by a U.S.\ retailer to evaluate how value-added incentives, such as free shipping, compare with traditional price discounts in influencing customer purchasing behavior. The analysis is complicated by non-compliance, due to not opening emails, multiple longitudinal mediators, and zero-inflated mediators and purchase outcomes. To address these challenges, we develop a Bayesian causal mediation framework based on enriched Dirichlet process mixture models and estimate the causal estimands using a scalable G-computation algorithm. We show that analyses ignoring email-opening behavior substantially attenuate estimated effects. Value-added incentives consistently outperform price discounts, yielding higher estimated potential purchase amounts, with benefits accumulating over time. We design an individualized sequential emailing strategy that optimizes expected purchase count in the observed data.