A $C_p$ criterion for semiparametric causal inference
半参数因果推断中的 Cp 模型选择准则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：摘要直接讨论潜在结果、边际结构模型及逆概率加权和双重稳健因果估计。
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…
半参数因果推断中的 Cp 模型选择准则
- 研究问题
- 在边际结构模型中，建模目标是可能缺失的潜在结果，如何为逆概率加权或双重稳健估计构造合适的模型选择准则？
- 方法与思路
- 作者定义针对潜在结果的均方误差，并在处理分配可忽略条件下，推导其渐近无偏估计量作为 Cp 模型选择准则。
- 材料陈述的贡献
- 摘要称，该准则在所考察模拟设置中取得更小平方误差和更高真实模型选中频率，真实数据分析也显示两种准则存在明显差异。
- 阅读关注点
- 应核对潜在结果均方误差的定义、处理分配可忽略条件的具体形式，以及加权和双重稳健估计下惩罚项的推导与适用条件。
- 阅读边界
- 仅据所给 Crossref 摘要；具体识别与正则条件、模拟设置和实际差异大小未说明，不能外推其优势或推断其他版本变化。
原文摘要
Summary For marginal structural models, which play an important role in causal inference, we consider a model selection problem within a semiparametric framework using inverse-probability-weighted estimation or doubly robust estimation. In this framework, the modelling target is a potential outcome that may be missing, so there is no classical information criterion. We define a mean squared error for treating the potential outcome and derive an asymptotic unbiased estimator as a $C_{p}$ criterion using an ignorable treatment assignment condition. Simulation shows that the proposed criterion outperforms a conventional one by providing smaller squared errors and higher frequencies of selecting the true model in all the settings considered. Moreover, in a real-data analysis we found a clear difference between the two criteria.