Does Regression Produce Representative Causal Rankings?
回归能否给出具有代表性的因果效应排序？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：摘要围绕异质处理效应、平均处理效应与加权平均处理效应的排序差异展开，直接属于因果推断。
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
回归能否给出具有代表性的因果效应排序？
- 研究问题
- 存在处理效应异质性时，线性回归及双重机器学习的部分线性模型所给出的多处理效应排序，是否代表总体平均效应排序？
- 方法与思路
- 作者通过例子分析重叠加权产生的加权平均处理效应，定义其与总体平均处理效应之间的排序逆转，并推导判别条件。
- 材料陈述的贡献
- 摘要称，部分线性模型的加权效应可能产生排序逆转，并给出逆转的必要充分条件及展示其发生情形的模拟。
- 阅读关注点
- 应核对模型实际估计的效应与权重、排序逆转条件的准确形式，以及不同处理对应的目标人群是否具有可比性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出条件公式，也不能据此断言所有回归效应排序均失效。
原文摘要
We examine the challenges in ranking multiple treatments based on their estimated effects when using linear regression or its popular double-machine-learning variant, the Partially Linear Model (PLM), in the presence of treatment effect heterogeneity. We demonstrate by example that overlap-weighting performed by linear models like PLM can produce Weighted Average Treatment Effects (WATE) that have rankings that are inconsistent with the rankings of the underlying Average Treatment Effects (ATE). We define this as ranking reversals and derive a necessary and sufficient condition for ranking reversals under the PLM. We conclude with several simulation studies conditions under which ranking reversals occur.