Estimation of Conditional Average Treatment Effects With High-Dimensional Data
高维数据下条件平均处理效应的估计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。
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：摘要直接研究无混杂假设下条件平均处理效应的估计与推断，并分析处理效应异质性，因此归入因果推断。
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…
高维数据下条件平均处理效应的估计
- 研究问题
- 在无混杂假设下，如何利用维度可接近或超过样本量的协变量，估计只随少数关注变量变化的条件平均处理效应？
- 方法与思路
- 作者提出两阶段估计：先用机器学习估计干扰函数，再做低维局部线性回归，并比较全样本与留出样本两种版本。
- 材料陈述的贡献
- 摘要称推导了估计量的函数极限理论，并以乘子自助法进行同时推断；应用考察母亲吸烟对出生体重的影响如何随母亲年龄变化。
- 阅读关注点
- 阅读时应核对无混杂之外的正则条件、机器学习误差要求、两种样本方案的差异，以及同时推断覆盖的变量范围。
- 阅读边界
- 摘要未说明具体学习器、带宽选择、正则条件和应用结果数值；无混杂是识别前提，应用中的因果解释仍需核对其可信性。
原文摘要
Given the unconfoundedness assumption, we propose new nonparametric estimators for the reduced dimensional conditional average treatment effect (CATE) function. In the first stage, the nuisance functions necessary for identifying CATE are estimated by machine learning methods, allowing the number of covariates to be comparable to or larger than the sample size. The second stage consists of a low-dimensional local linear regression, reducing CATE to a function of the covariate(s) of interest. We consider two variants of the estimator depending on whether the nuisance functions are estimated over the full sample or over a hold-out sample. Building on Belloni at al. and Chernozhukov et al., we derive functional limit theory for the estimators and provide an easy-to-implement procedure for uniform inference based on the multiplier bootstrap. The empirical application revisits the effect of maternal smoking on a baby’s birth weight as a function of the mother’s age.