Outcome-Informed Weighting for Robust ATE Estimation
利用结局信息加权的稳健平均处理效应估计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：摘要直接讨论观察数据中的平均处理效应、混杂调整与加权估计，因此归入因果推断。
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
利用结局信息加权的稳健平均处理效应估计
- 研究问题
- 在高维协变量且处理组之间重叠不足时，能否利用结局信息构造权重，缓解传统逆倾向得分加权的方差与稳健性问题？
- 方法与思路
- 作者提出增广边际结局密度比估计量 AMR，将加权重点转向结局空间，并结合事后校准框架处理高维协变量。
- 材料陈述的贡献
- 摘要称，该方法可过滤无关信息、缓解实际正值性不足，并在合成数据、NHANES 和文本应用中改善效率与稳健性。
- 阅读关注点
- 应核对结局密度比如何连接目标 ATE、校准步骤及其识别依据，并查看弱重叠实验的设定、比较方法与评价指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明识别条件，其缓解重叠不足的表述不等于消除识别要求。
原文摘要
Reliable causal effect estimation from observational data requires adjustment for confounding and sufficient overlap in covariate distributions between treatment groups. However, in high-dimensional settings, lack of overlap often inflates the variance and weakens the robustness of inverse propensity score weighting (IPW) based estimators. Although many approaches that rely on covariate adjustment have been proposed to mitigate these issues, we instead shift the focus to the outcome space. In this paper, we introduce the Augmented Marginal outcome density Ratio (AMR) estimator, an outcome-informed weighting method that naturally filters out irrelevant information, alleviates practical positivity violations and outperforms standard augmented IPW and covariate adjustment-based methods in terms of both efficiency and robustness. Additionally, by eliminating the need for strong a priori assumptions, our post-hoc calibration framework is also effective in settings with high-dimensional covariates. We present experimental results on synthetic data, the NHANES dataset and text applications, demonstrating the robustness of AMR and its superior performance under weak overlap and high-dimensional covariates.