Doubly-robust inference for conditional average treatment effects with high-dimensional controls
高维控制变量下条件平均处理效应的双重稳健推断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：摘要明确研究混杂控制下条件平均处理效应的估计与置信区间，直接属于因果推断。
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
高维控制变量下条件平均处理效应的双重稳健推断
- 研究问题
- 当控制变量维数较高且第一阶段模型可能误设时，如何让条件平均处理效应的置信区间也具有双重稳健性？
- 方法与思路
- 作者使用增广逆概率加权信号，以 Lasso 估计 logistic 倾向得分和线性结果回归，再构造 CATE 估计及 Wald 区间。
- 材料陈述的贡献
- 摘要称，只要上述两个第一阶段模型中有一个正确设定，即使另一个误设，所提出估计量对应的推断仍然有效。
- 阅读关注点
- 应核对 CATE 的识别条件、高维稀疏性与收敛要求，以及第二阶段构造为何使置信区间而不仅点估计具有双重稳健性。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，具体识别与正则条件未说明；摘要不支持两个模型同时误设时推断仍然有效的结论。
原文摘要
Plausible identification of conditional average treatment effects (CATEs) can rely on controlling for a large number of variables to account for confounding factors. In these high-dimensional settings, estimation of the CATE requires estimating first-stage models whose consistency relies on correctly specifying their parametric forms. While doubly-robust estimators of the CATE exist, inference procedures based on the second-stage CATE estimator are not doubly-robust. Using the popular augmented inverse propensity weighting signal, we propose an estimator for the CATE whose resulting Wald-type confidence intervals are doubly-robust. We assume a logistic model for the propensity score and a linear model for the outcome regression, and estimate the parameters of these models using an ℓ1 (Lasso) penalty to address the high-dimensional covariates. Inference based on this estimator remains valid even if one of the logistic propensity score or linear outcome regression models are misspecified.