Valid inference for treatment effect parameters under irregular identification and many extreme propensity scores
不规则识别与大量极端倾向得分下处理效应的有效推断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：摘要直接研究处理效应、倾向得分、逆概率加权与双重稳健因果参数估计。
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
不规则识别与大量极端倾向得分下处理效应的有效推断
- 研究问题
- 当倾向得分大量接近边界、处理效应参数可能不规则识别时，如何在不施加强方差或支持限制的情况下进行有效推断？
- 方法与思路
- 作者建立逆概率加权与双重稳健估计的稳定分布极限理论，提出自适应 m-out-of-n bootstrap，并以 bootstrap 聚合选择 m。
- 材料陈述的贡献
- 摘要称，该框架无需修剪即可处理不规则识别，并以修改后的重抽样替代可能不一致的标准方法；模拟及医疗应用展示其表现。
- 阅读关注点
- 应核对稳定分布参数与识别情形的关系、估计所需尾部条件、自适应 m 的选择机制，以及双重稳健估计的具体要求。
- 阅读边界
- 仅据所给出版社摘要，无法确定所有识别类型所指的范围及有限样本改进幅度；不需强倾向得分限制不代表不需因果识别假设。
原文摘要
This paper provides a framework for conducting valid inference for causal parameters without imposing strong variance or support restrictions on the propensity score. In particular, it covers the case of irregularly identified treatment effect parameters. We provide limit theorems for inverse probability weighting and doubly robust estimation of causal or counterfactual parameters that do not rely on trimming approaches. By construction the limiting distributions of these estimators belong to the alpha-stable class which implies that standard inference methods such as the nonparametric bootstrap are inconsistent. We propose an adaptive version of the m-out-of-n bootstrap that is robust to all types of identification and a bootstrap aggregation method for the optimal m choice. Monte Carlo simulations suggest that the modified resampling method compares favorably to conventional methods in finite samples. The method is applied to a re-analysis of the causal impact of right heart catheterization on survival rates.