Model-assisted sensitivity analysis for treatment effects under unmeasured confounding via regularized calibrated estimation
未测混杂下处理效应的模型辅助敏感性分析与正则化校准估计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。
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：摘要直接研究未测混杂下平均处理效应的敏感性分析、界估计与推断。
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
未测混杂下处理效应的模型辅助敏感性分析与正则化校准估计
- 研究问题
- 在边际敏感性模型约束未测混杂时，如何估计平均处理效应的界，并在倾向得分或结果模型误设下构造有效置信区间？
- 方法与思路
- 作者推导锐界的新表示及依赖加权线性分位数回归的放宽界，再用特定损失函数和 Lasso 惩罚进行正则化校准估计。
- 材料陈述的贡献
- 摘要称，方法提供放宽界的双重稳健点估计和条件性有效区间；分位数模型正确时恢复锐界，线性均值模型下区间亦具有双重稳健性。
- 阅读关注点
- 应分别核对点估计与区间的模型正确性要求、放宽界恢复锐界的条件，以及校准损失、高维正则化条件和敏感性参数的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。区间有效性具有特定模型条件，摘要未说明全部正则条件，不能统称为任意误设下有效。
原文摘要
Consider sensitivity analysis for estimating average treatment effects under unmeasured confounding, assumed to satisfy a marginal sensitivity model. At the population level, we provide new representations for the sharp population bounds and doubly robust estimating functions, recently derived by Dorn, Guo, and Kallus. We also derive new, relaxed population bounds, depending on weighted linear outcome quantile regression. At the sample level, we develop new methods and theory for obtaining not only doubly robust point estimators for the relaxed population bounds with respect to misspecification of a propensity score model or an outcome mean regression model, but also model-assisted confidence intervals which are valid if the propensity score model is correctly specified, but the outcome quantile and mean regression models may be misspecified. The relaxed population bounds reduce to the sharp bounds if outcome quantile regression is correctly specified. For a linear outcome mean regression model, the confidence intervals are also doubly robust. Our methods involve regularized calibrated estimation, with Lasso penalties but carefully chosen loss functions, for fitting propensity score and outcome mean and quantile regression models. We present a simulation study and an empirical application to an observational study on the effects of right heart catheterization.