Bounded, efficient and doubly robust estimation with inverse weighting
基于逆概率加权的有界、高效与双重稳健估计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：摘要明确涉及总体平均处理效应、倾向得分与双重稳健估计，直接对应因果推断。
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
基于逆概率加权的有界、高效与双重稳健估计
- 研究问题
- 面对结果缺失或总体平均处理效应估计，如何在逆概率权重高度变动时保持估计有界，并兼顾双重稳健性与效率？
- 方法与思路
- 作者沿用非参数似然思路提出新的双重稳健估计量，研究倾向得分模型正确时的效率及权重高度变动时的有界性质。
- 材料陈述的贡献
- 摘要称新估计量具有相应效率与有界性质；在所述模拟比较中，稳健化似然估计量总体取得最小均方误差。
- 阅读关注点
- 应核对双重稳健性、有界性与效率分别需要的条件，结果模型和倾向得分模型的设定，以及模拟比较的覆盖范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；因果识别、权重及效率的具体条件未说明，模拟中的最小均方误差不代表普遍最优。
原文摘要
Consider estimating the mean of an outcome in the presence of missing data or estimating population average treatment effects in causal inference. A doubly robust estimator remains consistent if an outcome regression model or a propensity score model is correctly specified. We build on a previous nonparametric likelihood approach and propose new doubly robust estimators, which have desirable properties in efficiency if the propensity score model is correctly specified, and in boundedness even if the inverse probability weights are highly variable. We compare the new and existing estimators in a simulation study and find that the robustified likelihood estimators yield overall the smallest mean squared errors.