Generalized coarsened confounding for causal effects: a large-sample framework
因果效应的广义粗化混杂调整：大样本框架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：摘要直接研究观察性数据中的混杂调整、平均因果效应估计与一致性，明确对应因果推断。
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
因果效应的广义粗化混杂调整：大样本框架
- 研究问题
- 将混杂变量聚类并按所得分层估计治疗效应时，如何建立适用于一类粗化程序的一致性、渐近分布与方差估计理论？
- 方法与思路
- 作者把混杂变量聚类与层内效应、方差估计结合，提出两个新算法，并建立一般渐近框架及偏差校正方法。
- 材料陈述的贡献
- 摘要称，提供平均因果效应估计的渐近结果和一致性条件，为既有方差公式给出渐近依据，并在两个观察性研究中应用。
- 阅读关注点
- 应核对因果识别前提、聚类复杂度如何随样本变化、粗化残余偏差如何控制，以及偏差校正后方差公式是否仍然适用。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出识别与渐近条件，不能据此认为任意聚类都能消除混杂。
原文摘要
There has been widespread use of causal inference methods for the rigorous analysis of observational studies and to identify policy evaluations. In this article, we consider a class of generalized coarsened procedures for confounding. At a high level, these procedures can be viewed as performing a clustering of confounding variables, followed by treatment effect and attendant variance estimation using the confounder strata. In addition, we propose two new algorithms for generalized coarsened confounding. While Iacus et al. (2011) developed some statistical properties for one special case in our class of procedures, we instead develop a general asymptotic framework. We provide asymptotic results for the average causal effect estimator as well as providing conditions for consistency. In addition, we provide an asymptotic justification for the variance formulae in Iacus et al. (2011). A bias correction technique is proposed, and we apply the proposed methodology to data from two well-known observational studies.