Causal inference of general treatment effects using neural networks with a diverging number of confounders
混杂变量维度增长时利用神经网络推断一般处理效应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：摘要明确研究无混杂条件下的多值因果效应，并包含分位数处理效应，直接对应因果推断与分位数及分布效应。
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…
混杂变量维度增长时利用神经网络推断一般处理效应
- 研究问题
- 在无混杂条件下，面对维度随样本增长且稀疏结构未知的混杂变量，如何有效估计多值处理效应，包括分位数处理效应？
- 方法与思路
- 作者在广义优化框架中用神经网络逼近未知辅助函数，为混合光滑函数类建立逼近误差界，并采用加权自助法开展推断。
- 材料陈述的贡献
- 摘要称，神经网络在所设函数类下可缓解维度灾难，并建立处理效应估计的根号样本量一致性与渐近正态性。
- 阅读关注点
- 应核对无混杂与其他识别条件、混合光滑类定义、维度和网络规模的增长限制，以及效率结论与自助法有效性的条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要，维度增长速度、网络设定及完整条件未说明；不能理解为神经网络普遍消除高维混杂困难。
原文摘要
Semiparametric efficient estimation of various multi-valued causal effects, including quantile treatment effects, is important in economic, biomedical, and other social sciences. Under the unconfoundedness condition, adjustment for confounders requires estimating the nuisance functions relating outcome or treatment to confounders nonparametrically. This paper considers a generalized optimization framework for efficient estimation of general treatment effects using artificial neural networks (ANNs) to approximate the unknown nuisance function of growing-dimensional confounders. We establish a new approximation error bound for the ANNs to the nuisance function belonging to a mixed smoothness class without a known sparsity structure. We show that the ANNs can alleviate the “curse of dimensionality” under this circumstance. We establish the root-n consistency and asymptotic normality of the proposed general treatment effects estimators, and apply a weighted bootstrap procedure for conducting inference. The proposed methods are illustrated via simulation studies and a real data application.