Asymptotic inference of causal effects with observational studies trimmed by the estimated propensity scores
按估计倾向得分修剪的观察性研究中因果效应的渐近推断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：摘要直接讨论观察性研究的因果效应、倾向得分修剪，以及平均处理效应与受处理者平均效应的推断。
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…
按估计倾向得分修剪的观察性研究中因果效应的渐近推断
- 研究问题
- 观察性研究剔除极端估计倾向得分的样本后，如何同时计入样本筛选与效应分析的不确定性，并明确推断对象？
- 方法与思路
- 作者以平滑权重近似非光滑的样本修剪，建立估计量的渐近线性表示，并据此使用 bootstrap，另扩展至受处理者平均效应。
- 材料陈述的贡献
- 摘要称平滑加权改善渐近性质，使 bootstrap 能同时纳入设计和分析阶段的不确定性，并讨论受处理者平均效应的修剪。
- 阅读关注点
- 应核对平滑权重所定义的目标总体、与硬修剪目标的差别，以及无混杂、重叠和倾向得分估计所需的具体条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明目标总体的精确定义及平滑参数条件。
原文摘要
Causal inference with observational studies often relies on the assumptions of unconfoundedness and overlap of covariate distributions in different treatment groups. The overlap assumption is violated when some units have propensity scores close to |$0$| or |$1$|, so both practical and theoretical researchers suggest dropping units with extreme estimated propensity scores. However, existing trimming methods often do not incorporate the uncertainty in this design stage and restrict inference to only the trimmed sample, due to the nonsmoothness of the trimming. We propose a smooth weighting, which approximates sample trimming and has better asymptotic properties. An advantage of our estimator is its asymptotic linearity, which ensures that the bootstrap can be used to make inference for the target population, incorporating uncertainty arising from both design and analysis stages. We extend the theory to the average treatment effect on the treated, suggesting trimming samples with estimated propensity scores close to |$1$|.