Causal Sufficient Dimension Reduction for Multiple Continuous Exposures with an Application to Environmental Mixtures
多重连续暴露的因果充分降维及其环境混合物应用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：摘要明确针对连续多变量暴露的因果响应曲面进行充分降维，并分析环境混合物的联合因果效应。
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…
多重连续暴露的因果充分降维及其环境混合物应用
- 研究问题
- 当多变量连续暴露的因果响应曲面维度过高时，如何构造低维暴露摘要，在保留联合因果效应信息的同时简化估计与解释？
- 方法与思路
- 作者以因果中心均值子空间定义降维目标，采用分离辅助函数估计与子空间估计的两阶段程序，并构造暴露的子空间重要性分数。
- 材料陈述的贡献
- 摘要称建立考虑第一阶段误差的子空间恢复收敛率及维数一致估计，模拟显示响应曲面估计改善，并应用于 PFAS 与出生体重。
- 阅读关注点
- 应核对因果中心均值子空间的识别、降维保留信息的条件、第一阶段误差传播，以及结构维数选择和重要性分数的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未提供完整识别条件、具体收敛率或应用效应数值，模拟优势范围待核对。
原文摘要
Estimating causal effects with multivariate continuous exposures is challenging because causal exposure-response surfaces can be high-dimensional, complicating estimation and interpretation of joint exposure effects. Such settings arise in environmental epidemiology, where interest centers on the health effects of chemical and pollutant mixtures. We develop causal sufficient dimension reduction (CSDR), a semiparametric framework for representing causal exposure-response surfaces through low-dimensional exposure summaries. We formalize the reduction target as the causal central mean subspace and propose a modular two-stage estimator that decouples nuisance-function estimation from subspace estimation, simplifying implementation relative to existing marginal structural model-based approaches. The reduced exposure preserves the information needed to characterize joint causal effects while enabling efficient downstream estimation. We establish a convergence rate for causal subspace recovery accounting for first-stage nuisance estimation error, show that the structural dimension can be estimated consistently, and introduce a subspace importance score that quantifies the contribution of each exposure to the reduction. In simulations, CSDR yielded more accurate estimation and uncertainty quantification of the exposure-response surface than methods using noncausal dimension reduction or the original exposure. We apply CSDR to study the effect of maternal exposure to PFAS chemical mixtures on infant birth weight in the Atlanta African American Maternal-Child Cohort.