Causal Inference for Experiments with Latent Outcomes: Key Results and Their Implications for Design and Analysis
潜在结局实验的因果推断：关键结果及其设计与分析含义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：摘要围绕随机实验中潜在结局的因果参数识别、设计和估计展开。
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
潜在结局实验的因果推断：关键结果及其设计与分析含义
- 研究问题
- 随机实验的主要结局不可直接观测、多个指标又各含测量误差时，如何获得可解释且能够跨研究比较的因果效应？
- 方法与思路
- 作者讨论基于实验设计的识别方法、增强设计与假设检验，并以最优加权的尺度化指标结合标准回归估计因果参数。
- 材料陈述的贡献
- 摘要称指出既有多指标方法的跨研究不可比问题，并说明适当投入多重测量可提高因果估计的效率、精度与稳健性。
- 阅读关注点
- 应核对潜在结局的尺度定义、测量误差和指标关系所需假设、最优权重的估计方式，以及跨研究可比性的成立条件。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未列出关键假设、设计增强方案和精度增益数值，不能判断适用范围。
原文摘要
How should researchers analyze randomized experiments in which the main outcome is latent and measured in multiple ways but each measure contains some degree of error? We first identify a critical study-specific noncomparability problem in existing methods for handling multiple measurements, which often rely on strong modeling assumptions or arbitrary standardization. Such approaches render the resulting estimands noncomparable across studies. To address the problem, we describe design-based approaches that enable researchers to identify causal parameters of interest, suggest ways that experimental designs can be augmented so as to make assumptions more credible, and discuss empirical tests of key assumptions. We show that when experimental researchers invest appropriately in multiple outcome measures, an optimally weighted scaled index of these measures enables researchers to obtain efficient and interpretable estimates of causal parameters by applying standard regression. An empirical application illustrates the gains in precision and robustness that multiple outcome measures can provide.