Efficient Estimation of Average Treatment Effects Using the Estimated Propensity Score
利用估计倾向得分高效估计平均处理效应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：摘要直接研究无混杂条件下二元处理的平均效应，并采用倾向得分逆概率加权，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…
利用估计倾向得分高效估计平均处理效应
- 研究问题
- 在给定协变量后处理分配与潜在结果独立时，如何用倾向得分估计二元处理的平均效应，并避免协变量调整带来的效率损失？
- 方法与思路
- 作者采用非参数估计倾向得分的倒数进行加权，并将所得估计量解释为经验似然估计，以说明如何有效利用倾向得分信息。
- 材料陈述的贡献
- 摘要称，用估计倾向得分而非真实倾向得分构造逆概率加权，可以得到有效率的平均处理效应估计，并给出经验似然解释。
- 阅读关注点
- 阅读全文时应核对效率结论所需的正则条件、非参数倾向得分的估计要求，以及为何估计得分能够改善加权估计的效率。
- 阅读边界
- 结论以处理外生或无混杂为前提；摘要未说明重叠条件、具体估计实现与有限样本表现，不能据此判断实证应用中的可靠性。
原文摘要
We are interested in estimating the average effect of a binary treatment on a scalar outcome. If assignment to the treatment is exogenous or unconfounded, that is, independent of the potential outcomes given covariates, biases associated with simple treatment-control average comparisons can be removed by adjusting for differences in the covariates. Rosenbaum and Rubin (1983) show that adjusting solely for differences between treated and control units in the propensity score removes all biases associated with differences in covariates. Although adjusting for differences in the propensity score removes all the bias, this can come at the expense of efficiency, as shown by Hahn (1998), Heckman, Ichimura, and Todd (1998), and Robins, Mark, and Newey (1992). We show that weighting by the inverse of a nonparametric estimate of the propensity score, rather than the true propensity score, leads to an efficient estimate of the average treatment effect. We provide intuition for this result by showing that this estimator can be interpreted as an empirical likelihood estimator that efficiently incorporates the information about the propensity score.