Propensity Score Adapted Covariate Selection for Causal Inference
面向因果推断的倾向得分适配协变量选择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：摘要明确以观察性研究中的混杂控制、倾向得分和因果效应估计效率为目标，因此直接归入因果推断。
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
面向因果推断的倾向得分适配协变量选择
- 研究问题
- 在观察性研究中，如何为倾向得分模型选择协变量，以保留混杂因素和结果预测变量，同时排除可能损害效率的工具变量？
- 方法与思路
- 作者先通过参数模型估计倾向得分，再以逆概率处理权重对结果实施 adaptive lasso，利用加权结果关联进行协变量选择。
- 材料陈述的贡献
- 摘要称，该程序不要求潜在结果模型正确设定，在倾向得分达到指定收敛率及线性关联条件下具有 oracle 性质，并开展误设模拟。
- 阅读关注点
- 应核对倾向得分的根号样本量一致性要求、线性关联条件、惩罚参数选择，以及变量选择后因果效应估计和推断是否仍有效。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明完整条件，不能把不要求结果模型正确设定理解为不需要识别假设。
原文摘要
In this paper, we propose a propensity score adapted variable selection procedure to select covariates for inclusion in propensity score models, in order to eliminate confounding bias and improve statistical efficiency in observational studies. Our variable selection approach is specially designed for causal inference, it only requires the propensity scores to be $\sqrt{n}$-consistently estimated through a parametric model and need not correct specification of potential outcome models. By using estimated propensity scores as inverse probability treatment weights in performing an adaptive lasso on the outcome, it successfully excludes instrumental variables, and includes confounders and outcome predictors. We show its oracle properties under the "linear association" conditions. We also perform some numerical simulations to illustrate our propensity score adapted covariate selection procedure and evaluate its performance under model misspecification. Comparison to other covariate selection methods is made using artificial data as well, through which we find that it is more powerful in excluding instrumental variables and spurious covariates.