Sharp Sensitivity Analysis for Inverse Propensity Weighting via Quantile Balancing
通过分位数平衡开展逆倾向加权的锐敏感性分析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：摘要直接研究未测量混杂下逆倾向加权处理效应的敏感性分析与部分识别。
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
通过分位数平衡开展逆倾向加权的锐敏感性分析
- 研究问题
- 当观察研究可能存在未测量混杂时，如何给出与指定混杂程度相容的处理效应范围，并避免逆倾向加权敏感性界限过宽？
- 方法与思路
- 作者基于边际敏感性模型建立新的部分识别结果，并提出题名所称的分位数平衡方法，估计给定混杂程度下的处理效应区间。
- 材料陈述的贡献
- 摘要称，估计范围收敛至所给假设下必须包含真实效应的最窄区间，并指出既有敏感性分析的界限即使渐近而言仍然过宽。
- 阅读关注点
- 应核对敏感性参数的含义、锐界成立与可达到的条件，以及分位数平衡的实现、区间估计误差和抽样推断如何处理。
- 阅读边界
- 以下沿用原解读对于其预印本摘要的限制：这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出锐界及收敛的具体条件，最窄区间的结论受所设敏感性模型限制。 复用旧预印本摘要解读；摘要与本条目相同，未另读刊稿全文，原请求未记录具体预印本版本。
原文摘要
Inverse propensity weighting (IPW) is a popular method for estimating treatment effects from observational data. However, its correctness relies on the untestable (and frequently implausible) assumption that all confounders have been measured. This paper introduces a robust sensitivity analysis for IPW that estimates the range of treatment effects compatible with a given amount of unobserved confounding. The estimated range converges to the narrowest possible interval (under the given assumptions) that must contain the true treatment effect. Our proposal is a refinement of the influential sensitivity analysis by Zhao, Small, and Bhattacharya (2019), which we show gives bounds that are too wide even asymptotically. This analysis is based on new partial identification results for Tan (2006)'s marginal sensitivity model.