Identification and Estimation of Optimal Continuous Treatment Effects
最优连续处理效应的识别与估计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：摘要明确研究连续处理效应的识别、效率界与因果效应估计。
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
最优连续处理效应的识别与估计
- 研究问题
- 如何在以有界结果权重定义的加权平均导数效应中，识别并估计同方差和异方差情形下效率最优的目标参数？
- 方法与思路
- 作者以结果权重替代条件密度得分作为基本对象，研究边界与内部处理取值空缺下的识别，推导有效影响函数并构造去偏机器学习估计量。
- 材料陈述的贡献
- 摘要称，所研究参数可放宽经典重叠和密度光滑条件，在尖锐边界及内部处理取值空缺处仍有效，并给出相应效率与估计理论。
- 阅读关注点
- 应核对最优权重与目标参数如何定义、处理取值空缺下所需的具体识别条件，以及影响函数和机器学习估计的正则性要求。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未说明最优性的完整约束、识别假设及学习误差条件，不能推断任意缺乏重叠都可处理。
原文摘要
Estimating continuous treatment effects is hard because average-derivative estimators rely on an ill-posed conditional-density score. Recent work makes a bounded outcome weight the primitive, characterizing a class of weighted average derivative effects without density estimation. In this paper, we develop the identification and estimation theory for the optimally efficient estimands of this class under homoskedasticity and heteroskedasticity. On identification, we show that these estimands relax standard conditions, remaining valid at sharp boundaries and at interior treatment deserts that the strict overlap and density-smoothness conditions of classical theory rule out. On estimation, we derive the efficient influence function, and develop Debiased Machine Learning estimators.