Unbiased estimation for additive exposure models
加性暴露模型的无偏估计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：摘要明确讨论其他单位处理造成的干扰、暴露映射及一般因果效应，支持因果与干扰分类。
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…
关注这篇论文的作者
加性暴露模型的无偏估计
- 研究问题
- 当一个单位的结果可能受到其他单位处理的影响时，如何利用暴露映射和处理效应加性构造一般因果效应的无偏估计量？
- 方法与思路
- 作者在暴露映射框架中施加加性结构，研究线性无偏估计量的仿射基，并通过估计量支持条件刻画最小积分方差解。
- 材料陈述的贡献
- 摘要称加性使不同暴露对比可等价并扩大可用估计量集合，给出基与最优性刻画，模拟显示利用多种暴露信息可能有益。
- 阅读关注点
- 应核对加性约束的具体含义、目标效应与处理分配机制，以及积分方差的积分依据和违反加性时模拟稳健性的范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未完整说明设计条件，模拟稳健性也不能替代加性失效时的保证。
原文摘要
Causal inference methods have been applied in various fields where researchers want to estimate treatment effects. In traditional causal inference settings, one assumes that the outcome of a unit does not depend on treatments of other units. However, as causal inference methods are extended to more applications, there is a greater need for estimators of general causal effects. We use an exposure mapping framework [Aronow and Samii, 2017] to map the relationship between the treatment allocation and the potential outcomes. Under the exposure model, we propose linear unbiased estimators (LUEs) for general causal effects under the assumption that treatment effects are additive. Additivity provides statistical advantages, where contrasts in exposures are now equivalent, and so the set of estimators considered grows. We identify a subset of LUEs that forms an affine basis for LUEs, and we characterize optimal LUEs with minimum integrated variance through defining conditions on the support of the estimator. We show, through simulations that our proposed estimators are fairly robust to violations of the additivity assumption, and in general, there is benefit in leveraging information from all exposures.