Re-thinking Spatial Confounding in Spatial Linear Mixed Models
该研究提出空间混杂存在“分析模型”和“数据生成”两类被混淆的现象,指出二者会导致矛盾结论,证实传统空间线性混合模型多能改善回归系数推断,并为该领域后续研究指明方向。
2024-06-21 stat.ME
Evaluating recent methods to overcome spatial confounding
空间混淆的概念与空间回归密切相关,尽管还没有建立一般的定义。在空间回归模型中,一个普遍接受的空间混杂概念是,当模型中包含与协变量共线的空间相关随机效应时,可能发生固定效应估计值的变化。已经提出了不同的方法来减轻空间线性回归模型中的空间混淆,但尚不清楚它们是否提供正确的固定效应估计值。在这篇文章中,我们考虑了一些建议,以减轻空间混淆,如限制回归,空间+模型,变换高斯马尔可夫随机场。目的是确定哪一个提供了固定效应的最佳估计。嫁妆死亡数据在北方邦在2001年,胃癌的发病率数据在斯洛文尼亚在1995 - 2001年期间和唇癌的发病率数据在苏格兰之间的年份1975 - 1980年进行了分析。几个模拟研究进行评估的方法在不同的情况下的空间混淆的性能。结果表明,空间+方法似乎提供了最接近真实值的固定效应估计值。
2022-12-07 stat.ME
Adjustment for Unmeasured Spatial Confounding in Settings of Continuous Exposure Conditional on the Binary Exposure Status: Conditional Generalized Propensity Score-Based Spatial Matching
Yale University(耶鲁大学)
本文提出基于条件广义倾向分数的空间匹配方法,用于校正连续暴露条件下的二元暴露状态下的未测量空间混杂因素,通过空间接近性和整合空间信息的广义倾向分数进行匹配,提高了因果效应估计的准确性。
2026-04-30 stat.AP stat.ME
Consistency of common spatial estimators under spatial confounding
本文针对空间混杂问题,证明OLS与受限空间回归估计量存在渐近偏差,而采用GP工作协方差的GLS估计量在密化渐近下满足一致性,且该结论可推广至内生性与随机函数混杂场景,为空间回归的有效性提供了理论支撑。
2024-09-17 stat.ME
Spatial Confounding in Multivariate Areal Data Analysis
本文探讨了多变量空间数据中空间混杂问题,通过贝叶斯核心区域化空间回归模型从分析和数据生成视角提出新结果,区分了空间混杂与多重共线性引起的方差膨胀,并展示了空间分析在存在空间混杂时的优越性。
2026-02-12 stat.ME
Adjusting for Unmeasured Spatial Confounding with Distance Adjusted Propensity Score Matching
倾向得分匹配是观察性研究中调整观察到的混杂因素的常用工具,但已知在存在未测量混杂因素时存在局限性。在许多情况下,研究人员面临的空间索引数据的观测单位的相对位置可以作为一个有用的代理未测量的混杂,根据空间模式的变化。我们开发了一种新的方法,称为距离调整的倾向得分匹配(DAPSm),将单位的空间接近的信息纳入一个倾向得分匹配过程。我们表明,DAPSm可以调整观察到的和一些形式的未观察到的混杂和评估其性能相对于其他几个合理的替代方案,将空间信息纳入倾向得分调整。该方法的动机是,并适用于一个比较有效的调查发电厂减排技术,旨在减少人口暴露于环境臭氧污染。最后,DAPSm提供了一个框架,用于增强一个“标准”的倾向得分分析与空间接近的信息,并提供了一个透明的和原则性的方式来评估优先观察到的混淆调整与空间接近调整的相对权衡。
2017-12-06 stat.ME
A multivariate Gaussian random field prior against spatial confounding
空间模型用于各种研究领域,如环境科学,流行病学或物理学。在许多空间回归模型中,一个常见的现象是空间混杂。当模拟响应均值的空间索引协变量与空间随机效应相关时,会发生这种现象。因此,协变量的回归系数估计值可能存在严重偏倚,对这些估计值的解释不再有效。最近的文献表明,减少空间混淆的典型解决方案可能会导致误导和违反直觉的结果。在本文中,我们开发了一个计算效率高的空间模型在贝叶斯框架集成新的先验结构,减少空间混淆。从单变量的情况下,我们扩展我们的先验结构的情况下,多个空间混杂协变量。在一项模拟研究中,我们表明,我们的新模型灵活地检测和减少空间数据集中的空间混淆,并且它的性能优于通常使用的方法,如限制空间回归。这些结果是有希望的任何应用研究人员谁希望解释协变量的影响空间回归模型。作为一个真实的数据说明,我们研究了海拔和温度对德国日降水量的影响。
2021-06-07 stat.ME
Instrumental variables, spatial confounding and interference
未观测的空间混杂变量在环境和生态应用中普遍存在,其中所研究的系统是复杂的,并且数据通常是观测的。工具变量(IV)是解决未观察到的混杂的常用方法;然而,使用IV对空间混杂的有效性在很大程度上是未知的。本文探讨了在这种情况下,静脉注射的有效性-特别注意的仪器的空间尺度。我们表明,在空间依赖性治疗的情况下,静脉注射是最有效的,当他们在一个更精细的空间分辨率比治疗。我们在广泛的模拟中研究了IV性能,并将该模型应用于1990-2010年美国空气污染和心血管死亡率长期趋势的示例中。最后,IV的方法也扩展到空间干扰设置,其中治疗可以影响附近的反应。
2021-02-27 stat.ME
Accounting for spatial confounding in epidemiological studies with individual-level exposures: An exposure-penalized spline approach
在存在未测量的空间混杂的情况下,空间模型实际上可能会增加(而不是减少)偏差,导致在实践中如何应用它们的不确定性。我们通过模拟和应用于大数据电子健康记录研究来评估空间建模方法。而纯粹空间暴露的偏倚风险很高(例如,建筑环境),我们发现空间聚集的个体水平暴露的增加偏差的可能性非常有限(例如,吸烟状态)。我们还提出了一种新的惩罚性样条方法,选择空间平滑的程度来解释暴露的空间变异性。这种方法似乎有希望有效地减少空间混淆偏倚。
2022-04-13 stat.ME
Spatial causal inference in the presence of unmeasured confounding and interference
University of Florida(佛罗里达大学);Bristol Myers Squibb(百时美施贵宝)
本文提出了一种基于贝叶斯方法的空间因果推断框架,用于处理空间数据中未测量混杂和干扰问题,并通过模拟和实证数据验证了其有效性。
2026-02-15 stat.ME
Regularized Principal Spline Functions to Mitigate Spatial Confounding
本文提出一种贝叶斯半参数回归模型,利用主样条基函数展开和spike-and-slab先验来近似未观测混杂因素并选择重要基,有效缓解了空间设计中的未测量混杂问题,减少了混杂偏差并增强了鲁棒性。
2025-03-04 stat.ME
Robust Spatial Confounding Adjustment via Basis Voting
Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出基函数投票方法,通过放松传统假设,稳健地调整空间混杂因素,适用于光滑空间函数的环境研究。
2025-12-29 math.ST stat.ME stat.TH
An Instrumental Variables Framework to Unite Spatial Confounding Methods
Harvard University(哈佛大学)
针对观测性空间研究中的未测量空间混杂问题,提出统一现有空间混杂方法的工具变量框架,明确其共同理论基础与假设,可估计非线性因果效应,并在模拟与空气污染健康效应实证中验证了方法有效性。
2025-11-18 stat.ME
Mitigating Unobserved Spatial Confounding when Estimating the Effect of Supermarket Access on Cardiovascular Disease Deaths
在空间统计学和因果推断文献中,未测量的空间变量的混淆已经得到了一些关注,但是概念和方法仍然在很大程度上是分离的。在本文中,我们的目标是弥合这些不同的统计链,考虑未测量的空间混杂在一个因果推断框架内,并估计使用结果回归工具流行的空间文献的影响。首先,我们展示了如何在结果模型中使用空间相关的随机效应,这是空间统计学家中常见的一种方法,并不一定会减轻由于空间混杂而导致的偏倚,这是以前发表的但并不普遍已知的结果。受常用估计量的偏置项的影响,我们提出了一种仿射估计量来解决这一缺陷。我们讨论了如何无偏估计的因果参数的存在下,无法测量的空间混杂只能实现一组不可检验的假设,这往往是特定的应用程序。我们提供了一组假设,描述了如何曝光和结果的利益相关的不可测量的变量,我们表明,这组假设是足够的识别的因果关系的基础上观察到的数据时,空间依赖关系可以表示为一个环形图。我们使用完全贝叶斯方法实现我们的方法,适用于任何类型的结果变量。这项工作的动机是,并用于估计县级有限进入超市对整个美国大陆老年人心血管疾病死亡率的影响。即使标准方法返回零或保护作用,我们的方法发现了未观察到的空间混杂的证据,并表明有限的超市访问对心血管死亡率有有害影响。
2020-06-01 stat.ME
A spectral adjustment for spatial confounding
调整未测量的混杂因素通常是一个棘手的问题,但在空间环境中,在某些条件下是可能的。在本文中,我们推导出必要条件之间的一致性治疗变量的利益和不可测量的混杂因素,确保治疗的因果关系的影响是可估计的。我们在谱域中指定我们的模型和假设,以允许在不同的空间分辨率下存在不同程度的混淆。确保可识别性的关键假设是,在全球尺度上存在的混淆在局部尺度上消散。我们表明,这种假设在谱域中相当于调整全球尺度的混淆在空间域中添加一个空间平滑版本的治疗变量的平均值的响应变量。在这个总体框架内,我们提出了一系列的混淆调整方法,范围从参数调整的基础上的Matern相干函数更强大的半参数方法,使用平滑样条。这些想法适用于模拟数据集和真实数据集的面积和地质统计数据
2020-12-22 stat.ME
A simplified spatial+ approach to mitigate spatial confounding in multivariate spatial areal models
本文提出一种简化的 spatial+ 方法,通过将协变量分解为大尺度和短尺度空间依赖两部分来缓解多元空间面元模型中的空间混杂问题,消除了单独拟合协变量空间模型的需要,并在模拟和实际犯罪数据分析中验证了其可靠性。
2024-01-05 stat.ME
SpaCE: The Spatial Confounding Environment
Harvard University(哈佛大学)
针对空间数据中未观测变量导致的混杂问题,本文提出 SpaCE 工具包,提供含真实反事实、空间图及混杂评分的多领域基准数据集与端到端评估流水线。
2024-12-03 cs.LG stat.ME stat.ML
Where geography lives? A projection approach for spatial confounding
空间随机效应和固定效应协变量之间的空间混杂最近被发现,并表明它可能会给模型结果带来误导性解释。解决这一问题的方法是分解空间随机效应并拟合一个受限的空间回归。在本文中,我们提出了一种不同的方法:转换的地理空间,以确保未观察到的空间随机效应添加到回归正交的固定效应协变量。我们的方法,名为SPOCK,提供了一个快速和简单的计算方法来估计参数的额外好处。此外,它不约束为空间误差项假设的分布类。仿真研究和实际数据分析,以更好地了解新方法的优势,与现有的。
2016-05-16 stat.ME
Spatial Confounding: A review of concepts, challenges, and current approaches
School of Applied Mathematics, Getulio Vargas Foundation(应用数学学院,热图利奥·瓦加斯基金会);Department of Statistics, Universidade Federal de Minas Gerais(统计学系,米纳斯吉拉斯联邦大学)
本文综述了空间混杂的概念、挑战及当前方法,通过实数据集对比分析不同方法的优劣,并探讨未来研究方向。
2026-02-19 stat.ME
Alleviating confounding in spatio-temporal areal models with an application on crimes against women in India
在空间分布模型中,评估感兴趣的响应与一组协变量之间的关联是生态回归的主旨。然而,如果不小心处理,空间相关的随机效应的存在可能会掩盖或甚至由于混淆效应而使这种关联的估计值产生偏差。虽然可能有害,但混淆问题在实践中往往被忽视,导致对响应和协变量之间潜在关联的错误结论。在时空区域模型中,时间维度可能会成为新的混杂源,问题可能会更糟。在这项工作中,我们提出了两种方法来处理混淆的固定效应的空间和时间的随机效应,同时获得良好的模型预测。特别是,限制回归和一个显然-虽然事实上不是-等效的程序,使用约束条件内提出了完全贝叶斯和经验贝叶斯方法。在固定效应估计和模型选择标准方面对这些方法进行了比较。这些技术被用来评估嫁妆死亡和某些社会人口协变量在印度北方邦的地区之间的关联。
2021-04-07 stat.AP stat.ME
Inferring Heterogeneous Causal Effects in Presence of Spatial Confounding
Uppsala University(乌普萨拉大学)
我们解决的问题,推断的因果关系影响的曝光结果在整个空间,使用观测数据。数据可能会受到未测量的混杂变量的影响,在标准方法中,必须通过估计滋扰函数进行调整。在这里,我们开发了一种方法,消除滋扰功能,同时减轻由此产生的错误的变量。其结果是一个强大的和准确的空间变化的异质因果效应的推断方法。该方法的性能证明合成以及来自德国和美国的实际数据。
2019-06-03 cs.LG stat.ME stat.ML
Discussion of the manuscript: Spatial+ a novel approach to spatial confounding
我祝贺Dupont,Wood和Augustin(DWA)提供了一种易于实现的方法,用于在空间混淆的情况下进行估计,并解决了该主题的一些复杂方面。该方法在空间基函数上回归感兴趣的协变量,并在结果回归中使用该模型的残差。作者表明,如果协变量不完全是空间的,这种方法导致一致的估计暴露和结果之间的条件关联。下面我讨论的概念和操作问题是基本的空间设置的推断:(i)目标量及其可解释性,(ii)协变量的非空间方面及其相对空间尺度,(iii)空间平滑的影响。虽然DWA提供了一些关于这些问题的见解,但我相信观众可能会从更深入的讨论中受益。在下文中,我将重点介绍研究人员有兴趣解释给定协变量与结果之间关系的设置。我将关注的协变量称为暴露量,以将其与其他变量区分开来。
2021-07-04 stat.ME
The Importance of Scale for Spatial-Confounding Bias and Precision of Spatial Regression Estimators
回归模型中的残差通常是空间相关的。突出的例子包括为了解污染物对健康的慢性影响而进行的环境流行病学研究。我认为残差空间结构的影响的偏差和精度的回归系数,开发一个简单的框架,在其中理解的关键问题,并得出翔实的分析结果。当未测量的混杂因素将空间结构引入残差时,具有空间随机效应的回归模型和密切相关的模型(如克里金法和惩罚样条)会出现偏差,即使残差方差分量已知。分析和模拟结果表明,偏差如何取决于协变量和残差的空间尺度:只有当协变量的变化小于未测量混杂的尺度时,才能通过拟合空间模型来减少偏差。我还讨论了如何规模的残差和协变量影响效率和不确定性估计时,残差是独立的协变量。在黑碳颗粒物空气污染和出生体重之间的关联的应用中,控制大规模的空间变化似乎减少了来自未测量的混杂因素的偏差,同时增加了估计的污染影响的不确定性。
2010-11-04 stat.ME
Understanding Spatial Regression Models from a Weighting Perspective in an Observational Study of Superfund Remediation
Harvard University(哈佛大学)
本文提出了一种加权框架,统一了三种空间回归模型,揭示了它们如何在空间上构建因果对比,并开发了新的估计器来处理未测量的空间混杂因素。
2025-12-19 stat.AP stat.ME
A causal inference framework for spatial confounding
本文提出与分析模型无关的空间混杂定义及因果推断框架,利用双重机器学习非参数识别连续暴露的因果效应,并应用于加州孕期细颗粒物暴露对出生体重影响的研究。
2024-10-11 stat.ME
Bayesian spatial+: A joint model perspective
The Ohio State University(俄亥俄州立大学)
贝叶斯空间+通过联合建模方法解决空间混杂问题,实现不确定性传播和后验推断,确保空间频率分离并防止反馈混杂。
2025-12-13 stat.ME
A unified framework for estimating direct causal effect under spatial confounding and interference, with the R package spaci
University of Manchester(曼彻斯特大学);Federal University of Agriculture, Abeokuta(阿贝奥库塔联邦农业大学)
提出统一框架同时处理空间混杂和干扰,通过iDAPS匹配和recoverU+双重稳健估计器估计直接因果效应,并验证于SCR/SNCR臭氧影响。
2026-09-25 stat.ME
An Improved Doubly Robust Estimator Using Partially Recovered Unmeasured Spatial Confounder
本文提出一种改进的双重稳健估计器,通过空间残差部分恢复未测量的空间混杂因素,以减少空间因果推断中的偏倚,并在模拟和臭氧浓度应用中验证其优越性。
2023-05-14 stat.AP stat.ME
Two-stage Estimators for Spatial Confounding with Point-Referenced Data
本文针对点参考数据空间混杂问题,提出基于高斯过程和Matèrn协方差的两阶段半参数估计量DSR,证明其渐近性质并在模拟中展示其优于标准空间回归的偏差校正和覆盖率表现。
2025-04-09 stat.ME
A functional-model-adjusted spatial scan statistic
本文介绍了一种新的空间扫描统计量,旨在调整集群检测的纵向混杂因素索引的空间。使用广义函数线性模型开发函数模型调整统计量,其中纵向混杂因素被视为函数协变量。一个通用的框架开发应用到各种概率模型。泊松模型的应用表明,新的方法是等效于传统的空间扫描统计,调整相关的人口协变量。在单变量和多变量模型的模拟研究中,我们发现我们的新方法比其他方法更准确地调整聚类检测过程。通过分析1998年至2013年期间法国过早死亡率的数据来说明新空间扫描统计数据的使用,其中季度失业率作为纵向混杂因素。
2019-03-04 stat.ME
Bayesian nonparametric models for spatially indexed data of mixed type
我们开发贝叶斯非参数模型的混合类型的空间索引数据。我们的工作受到环境流行病学中出现的挑战的激励,通常存在几个表现出复杂相互作用和高度相关性的混杂变量,这使得难以估计和理解风险因素对健康结果的影响。我们采用的建模方法假设响应和混杂变量是连续潜变量的表现形式,并使用多变量高斯来联合建模。响应和混杂变量未被同等对待,因为响应分布的相关参数仅根据解释变量或风险因素建模。空间依赖性是通过允许的非参数过程先验的权重是位置特定的,高斯马尔可夫随机场的概率变换获得的。混杂变量和空间配置在模型中具有类似的作用,因为它们只影响,以及响应,分配到混合物成分的区域的概率,从而允许灵活调整观察到的混杂因素的影响,同时允许剩余空间结构的可能性,可能由于未测量或未发现的空间变化因素而发生。该模型的各个方面都说明了在模拟研究和应用程序的一个真正的数据集。
2014-10-15 stat.ME
Restricted Spatial Regression Methods: Implications for Inference
回归分析中空间随机效应和固定效应之间的空间混杂问题已被确定为统计学文献中的一个问题。多位作者提供了观点和潜在的解决方案。在本文中,对于区域空间数据设置,我们表明,许多旨在减轻空间混淆的方法可以被看作是一般类模型的特殊情况。我们将此类称为受限空间回归(RSR)模型,扩展了当前使用的术语。我们提供了一个基于数学的探索,RSR方法的影响,线性模型的回归系数的推断。然后,我们探讨这些结果是否持有的广义线性模型设置计数数据使用模拟。我们表明,使用这些方法有违反直觉的后果,违背了文献中的普遍期望。特别是,我们的研究结果和伴随的模拟表明,RSR方法通常比非空间方法表现更差。这些结果对空间回归建模中的降维策略具有重要意义。具体来说,我们证明了RSR模型的问题不能用选择“更好”的空间基向量或降维技术来解决。
2020-08-18 math.ST stat.ME stat.TH
On the PM2.5 -- Mortality Association: A Bayesian Model for Spatio-Temporal Confounding
University G. d’Annunzio of Chieti-Pescara(阿布鲁佐大学);McGill University(麦吉尔大学)
本文提出一种贝叶斯模型,用于研究PM2.5与死亡率的关联,通过分解时空尺度的暴露效应以减少混杂偏差,并揭示夏季暴露效应的峰值可能与颗粒物与气温的相互作用有关。
2026-01-27 stat.AP stat.ME
Discovering Causal Relationships Between Time Series With Spatial Structure
University of St Andrews(圣安德鲁斯大学)
本文提出一种扩展时间序列因果发现的方法,以处理具有空间结构的系统,解决空间自相关和复杂混杂问题,同时指出未来研究方向。
2026-10-21 stat.ME
A Spectral Confounder Adjustment for Spatial Regression with Multiple Exposures and Outcomes
North Carolina State University(北卡罗来纳州立大学);Colorado State University(科罗拉多州立大学);US EPA, Center for Public Health and Environmental Assessment(美国环境保护署,公共健康与环境评估中心)
该研究针对多暴露多结局空间回归的混杂问题,提出张量回归模型,以局部无混杂假设替代严格因果假设,分析美国南部数据揭示经济韧性对慢性健康结局的效应,提供可解释的流行病学见解。
2026-09-01 stat.ME
A Latent Factor Panel Approach to Spatiotemporal Causal Inference
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出一种基于潜在因子模型的方法,用于处理时空观测数据中的未测量混杂因素,通过面板数据模型和多变量因果推断方法,减少遗漏变量偏差。
2026-04-28 stat.ME
Nonlinear Regression with Residuals: Causal Estimation with Time-varying Treatments and Covariates
针对时变处理与协变量下标准回归调整因果估计不一致的问题,提出带共线性调整的回归估计量,属于参数化g-formula,将带残差回归拓展至多种非线性模型,估计一致且易实现。
2024-03-10 stat.CO stat.ME
Spatial Multiresolution Analysis of the Effect of PM2.5 on Birth Weights
在给定位置测量的细颗粒物(PM2.5)是本地产生的污染和在大气中长距离传播的污染的混合物。因此,确定与健康影响相关的空间尺度可以为造成这些影响的污染源提供信息,从而制定更有针对性的监管政策。最近,预测方法,产生高分辨率的PM2.5暴露的空间估计允许一个评估这样的尺度特定的关联。我们提出了一个二维小波分解,它简化了标准小波分解所需的限制性假设。使用这种方法,我们分解PM2.5的日常表面,以确定哪些污染尺度与不良健康结果最相关。该方法的一个关键特征是,它可以去除PM2.5水平变化的纯时间成分,并计算仅从空间对比得出的影响估计。这消除了暴露-结果关联因时间因素(如季节)而产生的不可测量混杂的可能性。我们将我们的方法应用于2003-2008年美国马萨诸塞州出生体重的研究,发现当地和城市污染源与出生体重呈强烈的负相关。结果还表明,在先前的分析中未能消除时间混杂因素,使总体效应估计值衰减至零,一旦去除这种变异性来源,效应估计值的幅度就会增加。
2016-09-16 stat.ME
Operator-matched spatial regression
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对标准空间回归中协变量效应与空间依赖解耦导致的自混杂问题,提出算子匹配空间回归,将协变量作为SPDE强迫项分解效应,通过构造解决混杂,有限元实现高效,应用验证有效。
2026-09-14 stat.ME
Spatiotemporal double machine learning to estimate the impact of Cambodian land concessions on deforestation
Smith College(史密斯学院);Williams College(威廉姆斯学院);Rhodes College(罗德学院);University of Florida(佛罗里达大学);North Carolina State University(北卡罗来纳州立大学)
本文提出改进的时空双重机器学习方法,用于评估柬埔寨土地出让对森林砍伐的影响,通过处理未观察空间混杂因素提升因果推断效果。
2026-02-20 stat.ME
On Reasonable Uses of the Restricted Spatial Regression Model: Selection Criteria, Robust Adjustments, and Computational Advances
University of Missouri(密苏里大学)
本文澄清了受限空间回归模型的统计合理性,探讨了其在处理空间混杂因素时的优越性,并通过模拟和新冠数据展示了其计算优势和新应用。
2026-11-04 stat.ME
Temporal-Spatial Entropy Balancing for Causal Continuous Treatment-Effect Estimation
Huolala.cn, Inc(货拉拉公司)
针对城域货运中传统因果效应估计方法时空维度精度不足的问题,提出基于灵活时空网格划分的TS-EBCT连续熵平衡方法,经多数据集验证有效提升了因果效应预测精度,可优化补贴定价策略。
2023-12-19 cs.AI cs.LG stat.ME
Causal Spatial Quantile Regression
针对空间因果推断中因果效应的空间与分位数异质性问题,提出基于半参数神经网络的深度空间分位数回归因果框架及SQTE插件估计量,含空间隐藏混杂调整,仿真和北卡孕妇吸烟实例验证了其有效性。
2025-09-02 stat.ME
Spatial Causal Tensor Completion for Multiple Exposures and Outcomes: An Application to the Health Effects of PFAS Pollution
North Carolina State University(北卡罗来纳州立大学)
本文提出一种空间因果张量补全框架,用于处理多暴露和结果的联合因果效应估计,通过低秩张量结构和谱调整步骤应对空间混杂和缺失数据。
2026-03-17 stat.ME
Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University(德克萨斯农工大学);Shell USA Inc(壳牌美国公司)
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题,提出图分裂贝叶斯因果森林(GSBCF),融合GS-BART与贝叶斯因果森林框架,通过图引导分裂规则建模空间结构,实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
Dynamic Spatial Treatment Effects as Continuous Functionals: Theory and Evidence from Healthcare Access
The University of Tokyo(东京大学)
本文提出基于纳维-斯托克斯方程的连续泛函框架刻画空间处理效应,通过美国32,520个邮编数据验证医疗可及性呈指数衰减,并优于传统双重差分方法。
2025-10-23 econ.EM econ.TH stat.AP