Causal Small Area Estimation with Survey-only Covariates
利用仅调查可得协变量进行因果小区域估计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：摘要的核心目标是调查资料下区域特定处理效应的识别与双重稳健估计。
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
利用仅调查可得协变量进行因果小区域估计
- 研究问题
- 当处理与结局仅在调查样本中观测、总体仅有辅助协变量时，如何识别并估计小地理区域或人口群体的处理效应？
- 方法与思路
- 作者结合调查内协变量与总体辅助信息建立识别策略，构造双重稳健估计量，并推导目标参数的半参数效率界。
- 材料陈述的贡献
- 摘要称，结局模型正确或处理与区域归属模型正确时估计一致，并在正则条件下达到效率界；模拟展示了小区域样本下的表现。
- 阅读关注点
- 应核对调查内与总体协变量的区分、抽样及区域归属机制的识别要求，以及双重稳健性和效率结论各自所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明完整识别和正则条件，也未提供应用资料或有限样本结果数值。
原文摘要
Area-specific causal inference is important in many policy and survey applications, where the goal is to evaluate treatment effects for small geographic or demographic domains. Existing causal small area estimation methods, however, typically rely on a strong data requirement that treatment status is observed for all units in the population. This assumption is often unrealistic in practical survey settings, where both treatment and outcome variables are observed only for sampled units, while auxiliary covariates are available for the full population. To address this limitation, we develop a new identification strategy for area-specific treatment effects under this more realistic data structure by combining survey-only covariates with population-level auxiliary information. Based on this result, we propose a doubly robust estimator that remains consistent when either the outcome regression model or the treatment and area assignment models are correctly specified. We further derive the semiparametric efficiency bound for the target parameter and show that the proposed estimator attains this bound under regularity conditions. Simulation studies demonstrate favorable finite-sample performance, particularly in settings with small sample sizes within areas, and an empirical application illustrates the practical relevance of the proposed framework.