Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding
未观测混杂下因果推断的双重有效与双重锐性敏感性分析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。
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：摘要明确研究未观测混杂下平均处理效应的部分识别与敏感性分析。
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
未观测混杂下因果推断的双重有效与双重锐性敏感性分析
- 研究问题
- 当未观测混杂对每个个体接受处理的优势比影响受固定倍数约束时，如何构造平均处理效应的锐界并进行有效推断？
- 方法与思路
- 作者利用分布稳健优化推导部分识别锐界，并提出具有双重锐性与双重有效性的界估计量及 Wald 置信区间。
- 材料陈述的贡献
- 摘要称特定辅助参数失配时仍可估计锐界，在更广泛失配下仍提供有效但可能保守的界，并讨论半参数效率。
- 阅读关注点
- 应核对两个辅助参数的具体定义、各稳健性结论所需条件，以及估计量非渐近正态时置信区间仍有效的理由。
- 阅读边界
- 依据 arXiv 2112.11449v2 预印本摘要，不能据此声称已同行评审或获期刊接收，也不能推断刊本变化；具体失配范围与推断条件未说明。
原文摘要
We consider the problem of constructing bounds on the average treatment effect (ATE) when unmeasured confounders exist but have bounded influence. Specifically, we assume that omitted confounders could not change the odds of treatment for any unit by more than a fixed factor. We derive the sharp partial identification bounds implied by this assumption by leveraging distributionally robust optimization, and we propose estimators of these bounds with several novel robustness properties. The first is double sharpness: our estimators consistently estimate the sharp ATE bounds when one of two nuisance parameters is misspecified and achieve semiparametric efficiency when all nuisance parameters are suitably consistent. The second is double validity: even when most nuisance parameters are misspecified, our estimators still provide valid but possibly conservative bounds for the ATE and our Wald confidence intervals remain valid even when our estimators are not asymptotically normal. As a result, our estimators provide a highly credible method for sensitivity analysis of causal inferences.