CIMTx: An R package for causal inference with multiple treatments using observational data
CIMTx：利用观测数据进行多处理因果推断的 R 包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：摘要直接讨论观测数据中的多处理因果效应，以及正值性、可忽略性和未观测混杂敏感性分析，明确属于因果推断。
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
CIMTx：利用观测数据进行多处理因果推断的 R 包
- 研究问题
- 对于具有多个处理选项、重点关注二元结局的观测数据，如何统一实施因果估计，并检查共同支持及未观测混杂的影响？
- 方法与思路
- CIMTx 集成回归调整、加权、贝叶斯加性回归树、匹配和目标最大似然等方法，并提供共同支持识别与蒙特卡洛敏感性分析。
- 材料陈述的贡献
- 摘要介绍多处理因果推断的统一软件接口、复杂数据模拟功能，以及针对正值性和可忽略性问题的支持域检查与敏感性工具。
- 阅读关注点
- 核对各方法的估计对象、处理组比较方式、共同支持筛选规则及敏感性参数含义，检查筛选后推断对应哪个总体。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明软件版本与性能结果，敏感性分析也不能证明可忽略性成立。
原文摘要
CIMTx provides efficient and unified functions to implement modern methods for causal inferences with multiple treatments using observational data with a focus on binary outcomes. The methods include regression adjustment, inverse probability of treatment weighting, Bayesian additive regression trees, regression adjustment with multivariate spline of the generalized propensity score, vector matching and targeted maximum likelihood estimation. In addition, CIMTx illustrates ways in which users can simulate data adhering to the complex data structures in the multiple treatment setting. Furthermore, the CIMTx package offers a unique set of features to address the key causal assumptions: positivity and ignorability. For the positivity assumption, CIMTx demonstrates techniques to identify the common support region for retaining inferential units using inverse probability of treatment weighting, Bayesian additive regression trees and vector matching}. To handle the ignorability assumption, CIMTx provides a flexible Monte Carlo sensitivity analysis approach to evaluate how causal conclusions would be altered in response to different magnitude of departure from ignorable treatment assignment.