Spatial causal inference in the presence of unmeasured confounding and interference
未测混杂与干扰并存时的空间因果推断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：摘要直接研究空间因果效应、邻域干扰与未测混杂，对应因果推断及网络与干扰。
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
未测混杂与干扰并存时的空间因果推断
- 研究问题
- 空间数据中未测混杂、邻域干扰与暴露的空间依赖如何相互纠缠，研究者又如何在它们同时存在时识别和估计因果效应？
- 方法与思路
- 作者引入空间因果图，并提出包含暴露模型的贝叶斯参数方法，同时处理干扰以及局部和邻域未测空间混杂。
- 材料陈述的贡献
- 摘要称，在特定模型设定下证明包括因果效应在内的全部参数可识别，并以模拟及美国电厂排放与心血管死亡数据示例。
- 阅读关注点
- 应核对特定模型的识别限制、邻域及干扰定义、暴露模型的必要性，以及未测混杂结构和先验设定对结果的影响。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或接收未核实；识别依赖的具体模型限制未说明，不能推广为任意空间混杂下均可识别。
原文摘要
This manuscript unites causal inference and spatial statistics, presenting novel insights for causal inference in spatial data analysis, and drawing from tools in spatial statistics to estimate causal effects. We introduce spatial causal graphs to highlight that spatial confounding and interference can be entangled, in that investigating the presence of one can lead to wrongful conclusions in the presence of the other. Moreover, we show that spatial dependence in the exposure variable can render standard analyses invalid. To remedy these issues, we propose a Bayesian parametric approach based on tools commonly-used in spatial statistics. This approach simultaneously accounts for interference and mitigates bias from local and neighborhood unmeasured spatial confounding. From a Bayesian perspective, we show that incorporating an exposure model is necessary. Under a specific model formulation, we prove that all parameters are identifiable including the causal effects, even in the presence of unmeasured confounding. We illustrate the approach with a simulation study. We evaluate the effect of local and neighboring sulfur dioxide emissions from power plants on county-level cardiovascular mortality from observational spatial data in the United States, where unmeasured spatial confounding and interference might be present simultaneously.