Semiparametric efficiency gains from parametric restrictions on propensity scores
倾向得分参数约束带来的半参数效率增益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：摘要在潜在结果框架中分析倾向得分约束对效率界的影响，直接关联因果效应估计。
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
倾向得分参数约束带来的半参数效率增益
- 研究问题
- 在潜在结果框架中，知道倾向得分满足参数模型约束，能使半参数效率界改善多少，哪些限制实际上几乎不带来收益？
- 方法与思路
- 作者对分层倾向得分推导效率增益的显式表达，再为一般参数模型建立判断框架，以分析高维约束是否具有实际效率价值。
- 材料陈述的贡献
- 摘要称，分层划分越细，效率增益越小；某些参数约束即使显著缩小倾向得分空间，也可能仅带来接近零的效率增益。
- 阅读关注点
- 应核对目标因果参数、各效率界比较的信息集合、分层细化结论的条件，以及一般参数模型中接近零增益的判别方式。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明具体目标参数及完整正则条件，效率界结论也不能直接解释为某个估计量的有限样本改善。
原文摘要
Abstract We explore how much knowing a parametric restriction on propensity scores improves semiparametric efficiency bounds in the potential outcome framework. For stratified propensity scores, considered as a parametric model, we derive explicit formulas for the efficiency gain from knowing how the covariate space is split. Based on these, we find that the efficiency gain decreases as the partition of the stratification becomes finer. For general parametric models, where it is hard to obtain explicit representations of efficiency bounds, we propose a novel framework that enables us to see whether knowing a parametric model is valuable in terms of efficiency even when it is high dimensional. In addition to the intuitive fact that knowing the parametric model does not help much if it is sufficiently flexible, we discover that the efficiency gain can be nearly zero even though the parametric assumption significantly restricts the space of possible propensity scores.