Estimating Treatment Effects in Continuous Time with Hidden Confounders
存在隐藏混杂时的连续时间处理效应估计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：摘要的核心目标是隐藏混杂下的个体处理效应估计；潜在因子用于因果建模，未提供归入宏观因子模型的依据。
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
存在隐藏混杂时的连续时间处理效应估计
- 研究问题
- 在干预持续发生、观测时间不规则且存在隐藏混杂的纵向数据中，如何用连续时间模型估计个体处理效应？
- 方法与思路
- 作者利用神经微分方程，结合随机受控微分方程与 Lipschitz 约束卷积构造潜在因子模型，持续整合干预与不规则观测信息。
- 材料陈述的贡献
- 摘要称，合成数据和真实数据实验显示连续时间方法具有应用潜力，为动态环境下处理隐藏混杂提供了建模途径。
- 阅读关注点
- 应核对潜在因子如何代表隐藏混杂、处理效应识别需要哪些限制，以及不规则采样机制和模型误设如何影响估计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明识别条件，实验表现也不足以证明已消除隐藏混杂。
原文摘要
Estimating treatment effects plays a crucial role in causal inference, having many real-world applications like policy analysis and decision making. Nevertheless, estimating treatment effects in the longitudinal setting in the presence of hidden confounders remains an extremely challenging problem. Recently, there is a growing body of work attempting to obtain unbiased ITE estimates from time-dynamic observational data by ignoring the possible existence of hidden confounders. Additionally, many existing works handling hidden confounders are not applicable for continuous-time settings. In this paper, we extend the line of work focusing on deconfounding in the dynamic time setting in the presence of hidden confounders. We leverage recent advancements in neural differential equations to build a latent factor model using a stochastic controlled differential equation and Lipschitz constrained convolutional operation in order to continuously incorporate information about ongoing interventions and irregularly sampled observations. Experiments on both synthetic and real-world datasets highlight the promise of continuous time methods for estimating treatment effects in the presence of hidden confounders.