On regression-adjusted imputation estimators of the average treatment effect
平均处理效应的回归调整插补估计量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：摘要研究平均处理效应的插补估计、双重稳健性和半参数效率，列举的匹配与森林方法均服务于因果效应估计。
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
平均处理效应的回归调整插补估计量
- 研究问题
- 用回归预测缺失潜在结果、再进行回归调整的插补估计量，是否具有双重稳健性，以及何时能够达到半参数效率？
- 方法与思路
- 作者扩展此前结果，为一大类回归调整插补方法建立理论，涵盖核匹配、加权近邻匹配、局部线性匹配和诚实随机森林等。
- 材料陈述的贡献
- 摘要称，这类方法估计平均处理效应时具有双重稳健性，并在密度模型与回归模型均正确设定时具有半参数效率。
- 阅读关注点
- 核对双重稳健性对应的两类模型、各插补方法的适用条件，以及效率结果所需收敛速度、样本处理和正则性要求。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或接收未核实；摘要未列完整假设，不能据此认定任意插补或随机森林实现都满足理论。
原文摘要
Imputing missing potential outcomes using an estimated regression function is a natural idea for estimating causal effects. In the literature, estimators that combine imputation and regression adjustments are believed to be comparable to augmented inverse probability weighting. Accordingly, people for a long time conjectured that such estimators, while avoiding directly constructing the weights, are also doubly robust (Imbens, 2004; Stuart, 2010). Generalizing an earlier result of the authors (Lin et al., 2021), this paper formalizes this conjecture, showing that a large class of regression-adjusted imputation methods are indeed doubly robust for estimating the average treatment effect. In addition, they are provably semiparametrically efficient as long as both the density and regression models are correctly specified. Notable examples of imputation methods covered by our theory include kernel matching, (weighted) nearest neighbor matching, local linear matching, and (honest) random forests.