Sharp Causal Bounds for Dynamic Treatment Regimes
动态处理方案的尖锐因果界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：摘要直接研究未观测混杂下动态处理方案的因果结果界与处理选择，文本依据明确支持因果推断分类。
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…
动态处理方案的尖锐因果界
- 研究问题
- 当每阶段存在同时影响处理与下一状态、但不直接影响更远阶段的未观测因素时，如何界定动态方案收益并选择稳健处理？
- 方法与思路
- 作者由观测分布、因果图和下一状态结构限制构造局部转移概率集合，以逆向递推求方案期望结果上下界及最大最小决策规则。
- 材料陈述的贡献
- 摘要称所得界是尖锐的，端点由兼容因果模型达到；局部转移概率被识别时，方案评估和选择递推分别退化为经典方法。
- 阅读关注点
- 应核对同期混杂的时间作用限制、局部集合能否共同实现、尖锐性证明和状态限制来源，以及最坏情形最优规则的目标定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；无须敏感性参数仍依赖图与结构限制，摘要未说明有限样本估计及推断方法。
原文摘要
We study dynamic treatment regimes under contemporaneous confounding: at each stage, an unmeasured factor may affect both treatment and the next observed state, but has no further direct effect on later stages. From the observational distribution, the causal graph, and specified structural restrictions on possible next states, we construct at each state--treatment pair the set of transition probabilities compatible with this information. These local sets require no sensitivity parameter and can be combined by backward induction to obtain lower and upper bounds on the expected outcome under any given treatment regime. Our main result shows that these bounds are sharp: their endpoints are exactly the smallest and largest expected outcomes generated by causal models compatible with the same observational distribution, causal graph, and structural restrictions. The same backward-induction method gives a maximin rule for choosing treatments by maximizing the worst-case expected outcome. Thus, for this class of models with contemporaneous confounding, the framework generalizes the classical g-formula of \citet{Robins1986} for evaluating treatment regimes and the Q-learning framework of \citet{Murphy2003} for selecting them. When the local transition probabilities are identified, the two recursions reduce to these classical methods.