Robust inference on average treatment effects with possibly more covariates than observations
协变量可能多于观测时平均处理效应的稳健推断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：摘要直接研究模型选择后的平均处理效应与置信区间，多项逻辑回归是辅助估计工具，最直接的领域细分为因果推断。
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
协变量可能多于观测时平均处理效应的稳健推断
- 研究问题
- 在基于可观测变量选择、协变量可能多于样本量的环境中，如何在模型选择后对多值处理的平均处理效应进行稳健且一致有效的推断？
- 方法与思路
- 作者使用双重稳健估计量构造区间，给出模型选择器所需条件，并提出适合处理效应问题的 group lasso 及稀疏多项逻辑回归结果。
- 材料陈述的贡献
- 摘要称区间在允许多值处理和异质效应的较大模型类上一致有效，适当条件下达到半参数效率界；模拟与就业培训项目重分析表现良好。
- 阅读关注点
- 应核对可观测变量选择假设、稀疏性及模型选择误差条件，区分双重稳健性与一致有效性的要求，并检查多值处理的重叠及区间构造。
- 阅读边界
- 仅据所列出版社摘要，无法确定维度和稀疏度的增长限制或效率界条件；允许协变量多于观测不意味着任意高维设计都能获得有效推断。
原文摘要
This paper concerns robust inference on average treatment effects following model selection. Under selection on observables, we construct confidence intervals using a doubly-robust estimator that are robust to model selection errors and prove their uniform validity over a large class of models that allows for multivalued treatments with heterogeneous effects and selection amongst (possibly) more covariates than observations. The semiparametric efficiency bound is attained under appropriate conditions. Precise conditions are given for any model selector to yield these results, and we specifically propose the group lasso, which is apt for treatment effects, and derive new results for high-dimensional, sparse multinomial logistic regression. Both a simulation study and revisiting the National Supported Work demonstration show our estimator performs well in finite samples.