因果空间分位数回归
统计方法学
2025-09-03 v1
摘要
在广泛的经济、环境和流行病学应用中，处理效应往往随空间而变化，理解因果效应在空间和结果分位数上的异质性是空间因果推断中的一个关键挑战。为了有效捕获分布性处理效应中的空间异质性，我们提出了一种新颖的基于半参数神经网络的因果框架，利用深度空间分位数回归，然后构建空间分位数处理效应（SQTE）的插件估计量。该框架包含一个高效的调整程序，以减轻空间隐藏混杂因素的影响。大量跨各种场景的模拟表明，我们的方法即使在存在空间隐藏混杂因素的情况下也能准确估计 SQTE。此外，空间混杂调整程序有效地减少了残差中的邻域空间模式。我们将该方法应用于评估美国北卡罗来纳州母亲吸烟对新生儿出生体重的空间变化分位数处理效应。我们的结果一致显示所有出生体重分位数上均存在负效应，且在较低分位数区域影响尤为严重。
引用
@article{arxiv.2509.02294,
title = {Causal Spatial Quantile Regression},
author = {Yan Gong and Reetam Majumder and Brian J. Reich and Raphaël Huser},
journal= {arXiv preprint arXiv:2509.02294},
year = {2025}
}