Calibration Strategies for Robust Causal Estimation: Theoretical and Empirical Insights on Propensity Score-Based Estimators
稳健因果估计的校准策略：倾向得分估计量的理论与实证分析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：摘要直接研究倾向得分、逆概率加权和双重机器学习中的有效因果推断，因此归入因果推断方向，未提供其他细分方向的依据。
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…
稳健因果估计的校准策略：倾向得分估计量的理论与实证分析
- 研究问题
- 在重叠有限、样本较小或数据不平衡时，倾向得分校准及估计与校准样本的划分，如何影响 IPW 和 DML 的偏差与稳定性？
- 方法与思路
- 作者细化倾向得分校准框架，分析其在 DML 中的理论性质及样本划分作用，并通过模拟比较校准对 IPW 与灵活学习器的影响。
- 材料陈述的贡献
- 摘要称，校准能降低相关估计量的方差、缓解 IPW 偏差，并保留 DML 双重稳健性；不降低表现的结论依赖适当的样本划分。
- 阅读关注点
- 应核对校准目标、样本划分与交叉拟合的安排，以及双重稳健性和有效推断的具体条件；同时检查有限重叠下的模拟设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明校准算法、理论条件或数值结果，不能将模拟结论推广到所有学习器。
原文摘要
The partitioning of data for estimation and calibration critically impacts the performance of propensity score based estimators like inverse probability weighting (IPW) and double/debiased machine learning (DML) frameworks. We extend recent advances in calibration techniques for propensity score estimation, improving the robustness of propensity scores in challenging settings such as limited overlap, small sample sizes, or unbalanced data. Our contributions are twofold: First, we provide a theoretical analysis of the properties of calibrated estimators in the context of DML. To this end, we refine existing calibration frameworks for propensity score models, with a particular emphasis on the role of sample-splitting schemes in ensuring valid causal inference. Second, through extensive simulations, we show that calibration reduces variance of inverse-based propensity score estimators while also mitigating bias in IPW, even in small-sample regimes. Notably, calibration improves stability for flexible learners (e.g., gradient boosting) while preserving the doubly robust properties of DML. A key insight is that, even when methods perform well without calibration, incorporating a calibration step does not degrade performance, provided that an appropriate sample-splitting approach is chosen.