Introducing the CP-plot for Causal Inference with Observational Studies
用于观察研究因果推断的 CP 图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：摘要围绕倾向得分、不同目标人群的处理效应及工具变量局部处理效应展开。
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
用于观察研究因果推断的 CP 图
- 研究问题
- 不同加权平均处理效应为何出现差异，条件平均处理效应与倾向得分的协方差能否解释其排序并帮助理解目标人群差异？
- 方法与思路
- 作者将加权效应的两两差异表示为条件效应与倾向得分的协方差，推导排序关系，并绘制两者估计值的 CP 图。
- 材料陈述的贡献
- 摘要称给出总体、已处理、未处理及重叠加权效应的条件排序结论，扩展至加权局部平均处理效应，并提供 R 包实现。
- 阅读关注点
- 应核对协方差表示所需的识别与可积条件、重叠加权排序的组内同号条件，以及估计误差对 CP 图解释的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未完整说明观察研究识别条件，图形本身不能验证无混杂或效应估计正确。
原文摘要
Under the canonical setting of observational studies for causal inference, we derive a set of exact representations for pairwise differences among weighted average treatment effects as covariances between the conditional average treatment effect and the propensity score, up to positive scaling factors. These covariance representations bridge the two core concepts in causal inference with observational studies. They immediately imply that (i) the average treatment effect is bracketed by the average treatment effects on the treated and on the controls, with the direction determined by the sign of the covariance between the conditional average treatment effect and the propensity score, and (ii) the average treatment effect under the overlap weight, the weight that is proportional to the conditional variance of the treatment given the covariates, is bracketed by the average treatment effects on the treated and controls when the corresponding covariances have a common sign within both the treated and control groups. We further extend these results to weighted local average treatment effects in the instrumental variable framework. Building on this theory, we recommend the ``CP-plot'' of the estimated conditional average treatment effect against the estimated propensity score, and implement it in the R package \texttt{CPplot}.