Variance estimation for the average treatment effects on the treated and on the controls
已处理者与对照者平均处理效应的方差估计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：摘要围绕 ATT、ATC 因果效应估计量的方差与统计推断展开。
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
已处理者与对照者平均处理效应的方差估计
- 研究问题
- 如何为归一化的双重稳健 ATT 与 ATC 估计量计算方差，同时纳入倾向得分、结果回归和处理效应估计三个环节的不确定性？
- 方法与思路
- 作者通过估计方程构造渐近三明治方差，并比较标准 bootstrap 与两种基于影响函数独立随机扰动的 wild bootstrap 方法。
- 材料陈述的贡献
- 摘要称，论文提出 ATT 与 ATC 的方差计算方法，利用改变效应异质性和处理比例的模拟考察有限样本性质，并展示观察性应用。
- 阅读关注点
- 应核对归一化估计量的影响函数、辅助模型估计误差如何进入方差，以及不同模型正确性情形下区间覆盖率和重抽样有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。点估计的双重稳健性不自动保证方差估计有效，摘要未报告各方法的具体比较结果。
原文摘要
Common causal estimands include the average treatment effect (ATE), the average treatment effect of the treated (ATT), and the average treatment effect on the controls (ATC). Using augmented inverse probability weighting methods, parametric models are judiciously leveraged to yield doubly robust estimators, i.e., estimators that are consistent when at least one the parametric models is correctly specified. Three sources of uncertainty are associated when we evaluate these estimators and their variances, i.e., when we estimate the treatment and outcome regression models as well as the desired treatment effect. In this paper, we propose methods to calculate the variance of the normalized, doubly robust ATT and ATC estimators and investigate their finite sample properties. We consider both the asymptotic sandwich variance estimation, the standard bootstrap as well as two wild bootstrap methods. For the asymptotic approximations, we incorporate the aforementioned uncertainties via estimating equations. Moreover, unlike the standard bootstrap procedures, the proposed wild bootstrap methods use perturbations of the influence functions of the estimators through independently distributed random variables. We conduct an extensive simulation study where we vary the heterogeneity of the treatment effect as well as the proportion of participants assigned to the active treatment group. We illustrate the methods using an observational study of critical ill patients on the use of right heart catherization.