Rate doubly robust estimation for weighted average treatment effects
加权平均处理效应的速率双重稳健估计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：摘要直接研究 ATE、ATT、ATC、ATO 等加权处理效应的稳健估计。
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
加权平均处理效应的速率双重稳健估计
- 研究问题
- 由倾向得分权重定义的不同加权平均处理效应，哪些可以进行双重稳健或速率双重稳健估计，机器学习干扰函数需达到何种精度？
- 方法与思路
- 作者利用半参数有效影响函数与双重去偏机器学习，提出三种在特定速率和正则条件下成立的估计量，并以模拟及医疗、社会数据应用评估。
- 材料陈述的贡献
- 摘要称论文系统考察常用加权效应的稳健性与效率条件，提出三种速率双重稳健估计量，并展示吸烟与血铅及 401(k) 资格相关应用。
- 阅读关注点
- 核对权重是否依赖待估倾向得分、各目标量的有效影响函数，以及双重稳健与速率双重稳健的区别；检查机器学习误差要求和适用人群。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未逐一说明哪些目标量满足何种稳健性，也未给出速率条件或应用中的因果识别依据。
原文摘要
The weighted average treatment effect (WATE) defines a versatile class of causal estimands for populations characterized by propensity score weights, including the average treatment effect (ATE), treatment effect on the treated (ATT), on controls (ATC), and for the overlap population (ATO). WATE has broad applicability in social and medical research, as many datasets from these fields align with its framework. However, the literature lacks a systematic investigation into the robustness and efficiency conditions for WATE estimation. Although doubly robust (DR) estimators are well-studied for ATE, their applicability to other WATEs remains uncertain. This paper investigates whether widely used WATEs admit DR or rate doubly robust (RDR) estimators and assesses the role of nuisance function accuracy, particularly with machine learning. Using semiparametric efficient influence function (EIF) theory and double/debiased machine learning (DML), we propose three RDR estimators under specific rate and regularity conditions and evaluate their performance via Monte Carlo simulations. Applications to NHANES data on smoking and blood lead levels, and SIPP data on 401(k) eligibility, demonstrate the methods' practical relevance in medical and social sciences.