Adjusting for Unmeasured Confounding in Marginal Structural Models with Propensity-Score Fixed Effects
利用倾向得分固定效应调整边际结构模型中的未测混杂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：摘要研究面板数据中时间变化处理的因果效应，并用倾向得分固定效应调整时间不变混杂。
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
利用倾向得分固定效应调整边际结构模型中的未测混杂
- 研究问题
- 在时间变化处理的边际结构模型中，如何利用面板信息控制时间不变的未观测混杂，同时允许结果只在单个时点测量？
- 方法与思路
- 作者提出含倾向得分固定效应的逆处理概率加权估计量，用于固定长度处理历史，并研究个体数与时期数以相近速率增长的渐近性质。
- 材料陈述的贡献
- 摘要称，该估计量在所述渐近框架下相合且渐近正态，可处理单时点结果测量，并应用于美国州级公职候选人的负面广告效果。
- 阅读关注点
- 应核对固定效应如何进入处理模型、时间变化混杂的处理条件、权重稳定性，以及固定长度历史与双维增长渐近框架的关系。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未列出完整识别条件，也未说明短面板表现，不能认为它消除了所有未观测混杂。
原文摘要
Marginal structural models are a popular tool for investigating the effects of time-varying treatments, but they require an assumption of no unobserved confounders between the treatment and outcome. With observational data, this assumption may be difficult to maintain, and in studies with panel data, many researchers use fixed effects models to purge the data of time-constant unmeasured confounding. Unfortunately, traditional linear fixed effects models are not suitable for estimating the effects of time-varying treatments, since they can only estimate lagged effects under implausible assumptions. To resolve this tension, we a propose a novel inverse probability of treatment weighting estimator with propensity-score fixed effects to adjust for time-constant unmeasured confounding in marginal structural models of fixed-length treatment histories. We show that these estimators are consistent and asymptotically normal when the number of units and time periods grow at a similar rate. Unlike traditional fixed effect models, this approach works even when the outcome is only measured at a single point in time as is common in marginal structural models. We apply these methods to estimating the effect of negative advertising on the electoral success of candidates for statewide offices in the United States.