A New Causal Decomposition Paradigm towards Health Equity
面向健康公平的新因果分解框架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：摘要直接研究结构因果模型下的效应分解、中介分布干预与调整集识别，属于因果推断。
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
面向健康公平的新因果分解框架
- 研究问题
- 现有健康差异分解如何纳入中介造成的全部差异来源并形成政策解释，同时避免预先指定调整变量集可能引入的虚假关联？
- 方法与思路
- 作者在结构因果模型下将总效应分为调整与未调整效应，通过把弱势群体中介分布调整为优势群体分布定义前者，并借助图结构选择调整集。
- 材料陈述的贡献
- 摘要称，研究利用最大祖先图与情境变量自动识别容许调整集，提出高效估计算法，并通过理论、合成数据及脊柱疾病数据展示其正确性与效用。
- 阅读关注点
- 应核对两类效应的定义、中介分布调整的干预含义，以及最大祖先图和情境变量所需信息；还需检查自动选集的识别条件与实际政策可行性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出识别条件、具体图结构或结果数值，不能认定自动调整集选择适用于所有健康差异问题。
原文摘要
Causal decomposition has provided a powerful tool to analyze health disparity problems, by assessing the proportion of disparity caused by each mediator. However, most of these methods lack \emph{policy implications}, as they fail to account for all sources of disparities caused by the mediator. Besides, their estimations \emph{pre-specified} some covariates set (\emph{a.k.a}, admissible set) for the strong ignorability condition to hold, which can be problematic as some variables in this set may induce new spurious features. To resolve these issues, under the framework of the structural causal model, we propose to decompose the total effect into adjusted and unadjusted effects, with the former being able to include all types of disparity by adjusting each mediator's distribution from the disadvantaged group to the advantaged ones. Besides, equipped with maximal ancestral graph and context variables, we can automatically identify the admissible set, followed by an efficient algorithm for estimation. Theoretical correctness and the efficacy of our method are demonstrated on a synthetic dataset and a spine disease dataset.