Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data
可穿戴设备、传感器与分布型数据的可解释因果推断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：摘要同时以处理效应为因果目标、以完整分布为结局表示，直接对应因果推断与分布效应两个方向。
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…
可穿戴设备、传感器与分布型数据的可解释因果推断
- 研究问题
- 当可穿戴设备或传感器产生的结局需要用完整分布表示时，如何估计处理效应，并判断子群中的处理与对照是否足够可比？
- 方法与思路
- 作者提出 ADD MALTS，通过学习伸缩方式后进行匹配分析分布型数据，并结合理论保证、模拟和连续血糖监测应用说明方法。
- 材料陈述的贡献
- 摘要称方法具有估计正确性的分析保证，在所设模拟中优于比较方法，并能检查子群内处理与对照单位是否具有足够凝聚性。
- 阅读关注点
- 核对分布型处理效应的定义、学习距离与匹配步骤、理论保证所需条件，以及凝聚性诊断与可靠因果估计之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验；摘要未说明识别条件和比较数值，所称模拟优势不能推广为普遍优越性。
原文摘要
Many modern causal questions ask how treatments affect complex outcomes that are measured using wearable devices and sensors. Current analysis approaches require summarizing these data into scalar statistics (e.g., the mean), but these summaries can be misleading. For example, disparate distributions can have the same means, variances, and other statistics. Researchers can overcome the loss of information by instead representing the data as distributions. We develop an interpretable method for distributional data analysis that ensures trustworthy and robust decision-making: Analyzing Distributional Data via Matching After Learning to Stretch (ADD MALTS). We (i) provide analytical guarantees of the correctness of our estimation strategy, (ii) demonstrate via simulation that ADD MALTS outperforms other distributional data analysis methods at estimating treatment effects, and (iii) illustrate ADD MALTS' ability to verify whether there is enough cohesion between treatment and control units within subpopulations to trustworthily estimate treatment effects. We demonstrate ADD MALTS' utility by studying the effectiveness of continuous glucose monitors in mitigating diabetes risks.