Causal Inference with Complex Treatments: A Survey

因果推断在统计学、市场营销、医疗保健和教育等各个领域的解释性分析和决策制定中发挥着重要作用。其主要任务是估计治疗效果并制定干预政策。传统上，大多数先前的研究通常集中在二元治疗设置上，即一个单位只能采用或不采用一种治疗。然而，在实践中，治疗可以更加复杂，包括多值、连续或捆绑选项。在本文中，我们将这些称为复杂治疗，并系统全面地审查了解决它们的因果推断方法。首先，我们正式重新审视问题定义、基本假设及其在特定条件下的可能变化。其次，我们按顺序审查了与多值、连续和捆绑治疗设置相关的方法。在每种情况下，我们将方法暂时分为两类：符合未混淆假设和违反未混淆假设的方法。随后，我们讨论了可用的数据集和开源代码。最后，我们对这些工作进行了简要总结，并提出了未来研究的潜在方向。

本论文旨在综述针对复杂治疗方案的因果推断方法，包括多值、连续和捆绑治疗设置，并将这些方法分为遵守未混淆假设和违反未混淆假设两类。

论文提供了一种系统和全面的方法来解决复杂治疗方案下的因果推断问题，并对现有方法进行了分类和总结。

论文对不同的治疗设置下的因果推断方法进行了分类和总结，包括多值、连续和捆绑治疗设置。论文提供了可用的数据集和开源代码，并提出了未来研究的潜在方向。

最近的相关研究包括：1. A Review of Causal Inference for Complex Longitudinal Data；2. Causal Inference for Complex Longitudinal Data: the R package cmprskLT；3. Causal inference for complex systems: The elephant was surprisingly fast！