An instrumental variable method for point processes: generalized Wald estimation based on deconvolution
点过程的工具变量方法：基于反卷积的广义 Wald 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。
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：摘要明确使用潜在结果与工具变量处理未测混杂，研究点过程处理和结果的因果效应。
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
点过程的工具变量方法：基于反卷积的广义 Wald 估计
- 研究问题
- 当处理与结果均为事件点过程且存在未测混杂时，如何定义有因果意义的效应，并利用二元工具变量实现识别和估计？
- 方法与思路
- 作者在潜在结果框架中定义因果量，提出二元工具变量的非参数识别结果，并对处理与结果的意向处理效应作傅里叶变换。
- 材料陈述的贡献
- 摘要称传统 Wald 思路可扩展为点过程的广义 Wald 估计，其形式是反卷积，并可借助已有反卷积方法构造估计策略。
- 阅读关注点
- 应核对点过程潜在结果和效应的定义、工具变量识别条件，以及傅里叶变换后的反卷积问题如何处理不稳定性与估计误差。
- 阅读边界
- 仅据所给 Crossref 摘要，工具变量有效性及非参数识别的具体条件未说明，也无法判断反卷积估计的收敛表现和有限样本可靠性。
原文摘要
Summary Point processes are probabilistic tools for modelling event data. While there exists a fast-growing literature on the relationships between point processes, how such relationships connect to causal effects remains unexplored. In the presence of unmeasured confounders, parameters from point process models do not necessarily have causal interpretations. We propose an instrumental variable method for causal inference with point process treatment and outcome. We define causal quantities based on potential outcomes and establish nonparametric identification results with a binary instrumental variable. We extend the traditional Wald estimation to deal with point process treatment and outcome, showing that it should be performed after a Fourier transform of the intention-to-treat effects on the treatment and outcome, and thus takes the form of deconvolution. We refer to this approach as generalized Wald estimation and propose an estimation strategy based on well-established deconvolution methods.