Bounds on the conditional and average treatment effect with unobserved confounding factors
存在未观测混杂时条件与平均处理效应的界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：摘要明确研究未观测混杂下 CATE 与 ATE 的界及因果推断敏感性分析。
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…
存在未观测混杂时条件与平均处理效应的界
- 研究问题
- 在处理选择可能依赖未观测混杂的观察性研究中，如何构造条件平均处理效应的界，并对平均处理效应开展敏感性分析？
- 方法与思路
- 作者限制未观测混杂对处理选择优势比的影响，用损失最小化估计条件效应界，并以正交得分构造平均效应界的估计量。
- 材料陈述的贡献
- 摘要称方法可结合灵活学习器，在指定干扰参数收敛条件下具有根号样本量收敛性质，部分情形界紧，并展示区间覆盖表现。
- 阅读关注点
- 应核对优势比限制的定义、界紧的适用情形，以及正交得分、干扰参数速率要求和有限样本覆盖证据之间的关系。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；紧性仅针对部分情形，覆盖表现限于所述实例，具体假设与速率表述需核对原文。
原文摘要
For observational studies, we study the sensitivity of causal inference when treatment assignments may depend on unobserved confounders. We develop a loss minimization approach for estimating bounds on the conditional average treatment effect (CATE) when unobserved confounders have a bounded effect on the odds ratio of treatment selection. Our approach is scalable and allows flexible use of model classes in estimation, including nonparametric and black-box machine learning methods. Based on these bounds for the CATE, we propose a sensitivity analysis for the average treatment effect (ATE). Our semiparametric estimator extends/bounds the augmented inverse propensity weighted (AIPW) estimator for the ATE under bounded unobserved confounding. By constructing a Neyman orthogonal score, our estimator of the bound for the ATE is a regular root-n estimator so long as the nuisance parameters are estimated at the op(n−1/4) rate. We complement our methodology with optimality results showing that our proposed bounds are tight in certain cases. We demonstrate our method on simulated and real data examples, and show accurate coverage of our confidence intervals in practical finite sample regimes with rich covariate information.