Imputation is all you need: double robustness, semiparametric efficiency, and automatic covariate balance for estimating the average treatment effect
插补就够了：平均处理效应估计的双稳健、半参数有效性与自动协变量平衡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：摘要围绕平均处理效应、倾向得分、双重稳健与半参数效率展开，属于因果推断方法，故选择因果推断。
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…
插补就够了：平均处理效应估计的双稳健、半参数有效性与自动协变量平衡
- 研究问题
- 研究问题：基于插补的因果估计是否真的只依赖结果模型，从而缺少双重稳健性；最小二乘筛回归插补是否隐含权重结构，并由此获得双重稳健性与半参数效率。
- 方法与思路
- 方法思路：作者提出在最小二乘筛回归插补中揭示隐藏的对偶加权结构，给出插补估计量的精确加权表示，并指出其诱导权重在筛空间上平衡函数，总体权重函数为逆倾向得分在同一筛空间上的 L2 投影。
- 材料陈述的贡献
- 摘要所述贡献：论证插补估计量具有隐含的双重稳健性，并在标准筛近似与增长条件下具有以有效影响函数为特征的渐近线性，从而说明加权、协变量平衡、双重稳健与半参数效率都可仅由插补通过最小二乘投影几何得到。
- 阅读关注点
- 阅读时应核对：精确加权表示与 L2 投影结构的推导条件；筛空间、近似与增长条件的具体设定；双重稳健性成立的扰动方向与失效情形；渐近线性与有效影响函数结论所需的正则性假设。
- 阅读边界
- 摘要信息的边界：本文为 arXiv 预印本，未经同行评审验证；摘要未说明具体数据、模拟或实证结果，也未给出定理的完整假设与证明细节，不能据此判断实际有限样本表现。
原文摘要
Imputation-based causal estimation is typically viewed as relying exclusively on an outcome model, in contrast to augmented inverse-probability weighting, whose consistency is protected by fitting two nuisance models. This paper argues that this view can be misleading by highlighting a hidden dual weighting structure in least-squares sieve regression imputation. Although only outcome regressions are explicitly fitted, the resulting imputation estimator admits an exact weighting representation whose induced weights balance every function in the sieve space and the corresponding population weighting functions are the $L^2$ projections of the inverse propensity scores onto the same sieve space. This projection structure yields an implicit form of double robustness and, under standard sieve approximation and growth conditions, asymptotic linearity with the efficient influence function. Thus, weighting, covariate balance, double robustness, and semiparametric efficiency can all emerge from imputation alone through the geometry of least-squares projection.