Debiased Inference on Heterogeneous Quantile Treatment Effects with Regression Rank-Scores
基于回归秩得分的异质性分位数处理效应去偏推断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。
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：摘要明确研究高维协变量下的异质性分位数处理效应，兼具因果推断与分位数分析内容。
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
基于回归秩得分的异质性分位数处理效应去偏推断
- 研究问题
- 在存在高维协变量时，如何对异质性分位数处理效应开展有效推断，并刻画所估效应过程的渐近性质？
- 方法与思路
- 作者将 ℓ₁ 惩罚回归调整与基于回归秩得分的分位数特定偏差修正结合，并通过模拟和他汀用药实例展示方法表现。
- 材料陈述的贡献
- 摘要称作者研究了估计效应过程的弱收敛与半参数效率，为高维协变量下异质性分位数处理效应提供新的推断方法。
- 阅读关注点
- 应核对因果识别、稀疏性及分位数正则条件，并辨明异质性效应的定义、过程推断范围与偏差修正的具体构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出识别和收敛条件，也不能据此推断个体处理效应分布。
原文摘要
Understanding treatment effect heterogeneity is vital to many scientific fields because the same treatment may affect different individuals differently. Quantile regression provides a natural framework for modeling such heterogeneity. We propose a new method for inference on heterogeneous quantile treatment effects in the presence of high-dimensional covariates. Our estimator combines an $\ell_1$-penalized regression adjustment with a quantile-specific bias correction scheme based on rank scores. We study the theoretical properties of this estimator, including weak convergence and semiparametric efficiency of the estimated heterogeneous quantile treatment effect process. We illustrate the finite-sample performance of our approach through simulations and an empirical example, dealing with the differential effect of statin usage for lowering low-density lipoprotein cholesterol levels for the Alzheimer's disease patients who participated in the UK Biobank study.