Covariate balancing for causal inference on categorical and continuous treatments
分类与连续处理因果推断中的协变量平衡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：摘要直接研究分类和连续处理的因果对比及剂量效应，并以协变量平衡和逆概率加权进行估计。
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
分类与连续处理因果推断中的协变量平衡
- 研究问题
- 如何利用最优协变量平衡改进分类处理和连续处理的逆概率加权估计，并在处理分配模型或结局模型部分正确时保持有效推断？
- 方法与思路
- 作者为分类和连续处理设计协变量平衡加权估计；连续处理的剂量效应函数不作参数化，并分别研究一致性、渐近正态性及非参数误差率。
- 材料陈述的贡献
- 摘要称，两类特定模型条件分别支持一致性和渐近正态性；分类处理在所有模型正确时达到半参数效率界，并用模拟及 BMI 应用展示方法。
- 阅读关注点
- 应核对结局基函数正确与分配模型足够丰富的具体含义、分类处理效率结论的条件，以及连续剂量效应的平滑选择和边界处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列完整识别和正则条件，不能把所述模型条件简化为任意一种模型正确即可。
原文摘要
We propose novel estimators for categorical and continuous treatments by using an optimal covariate balancing strategy for inverse probability weighting. The resulting estimators are shown to be consistent and asymptotically normal for causal contrasts of interest, either when the model explaining treatment assignment is correctly specified, or when the correct set of bases for the outcome models has been chosen and the assignment model is sufficiently rich. For the categorical treatment case, we show that the estimator attains the semiparametric efficiency bound when all models are correctly specified. For the continuous case, the causal parameter of interest is a function of the treatment dose. The latter is not parametrized and the estimators proposed are shown to have bias and variance of the classical nonparametric rate. Asymptotic results are complemented with simulations illustrating the finite sample properties. Our analysis of a data set suggests a nonlinear effect of BMI on the decline in self reported health.