Feedback-augmented Non-homogeneous Hidden Markov Models for Longitudinal Causal Inference
用于纵向因果推断的反馈增强非齐次隐马尔可夫模型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：摘要以纵向数据中的长期因果效应和时变未观测异质性为核心，对应因果推断与面板数据。
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
用于纵向因果推断的反馈增强非齐次隐马尔可夫模型
- 研究问题
- 如何在纵向观察数据中纳入时变协变量、未观测异质性及历史反馈，估计通过多条路径形成的长期因果效应？
- 方法与思路
- 作者将反馈增强非齐次隐马尔可夫模型与结构因果模型结合，允许过去观测影响潜在状态及未来响应。
- 材料陈述的贡献
- 摘要称，分类响应情形可无需模拟反事实轨迹而估计长期效应，并研究潜在状态数误设及芬兰育儿假改革应用。
- 阅读关注点
- 应核对反馈机制的图结构、潜在状态与因果识别的关系，以及长期效应的计算方法和状态数误设实验。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明识别限制、改革效应数值或误设下的具体表现。
原文摘要
Hidden Markov models are widely used for modeling sequential data but typically have limited applicability in observational causal inference due to their strong conditional independence assumptions. I introduce feedback-augmented non-homogeneous hidden Markov model (FAN-HMM), which incorporate time-varying covariates and feedback mechanisms from past observations to latent states and future responses. Integrating these models with the structural causal model framework allows flexible causal inference in longitudinal data with time-varying unobserved heterogeneity and multiple causal pathways. I show how, in a common case of categorical response variables, long-term causal effects can be estimated efficiently without the need for simulating counterfactual trajectories. Using simulation experiments, I study the performance of FAN-HMM under the common misspecification of the number of latent states, and finally apply the proposed approach to estimate the effect of the 2013 parental leave reform on fathers' paternal leave uptake in Finnish workplaces.