Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders
混杂变量维度增长时利用神经网络推断一般处理效应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：摘要明确研究无混杂条件下的一般及多值处理效应，并将分位数处理效应列为目标。
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…
混杂变量维度增长时利用神经网络推断一般处理效应
- 研究问题
- 在无混杂条件下，混杂变量维度随样本增长时，如何借助神经网络估计干扰函数，并对多值处理及分位数效应作有效推断？
- 方法与思路
- 作者提出一般处理效应的优化框架，用人工神经网络逼近混合光滑类中的未知干扰函数，并采用加权自助法开展推断。
- 材料陈述的贡献
- 摘要称无需已知稀疏结构即可得到新的网络逼近界，并建立所提效应估计量的根 n 一致性和渐近正态性。
- 阅读关注点
- 应核对混合光滑性与维度增长限制、无混杂及处理支持条件，以及逼近误差如何满足根 n 推断和加权自助法的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出维度增长速率，不能理解为神经网络消除任意维数灾难。
原文摘要
Semiparametric efficient estimation of various multi-valued causal effects, including quantile treatment effects, is important in economic, biomedical, and other social sciences. Under the unconfoundedness condition, adjustment for confounders requires estimating the nuisance functions relating outcome or treatment to confounders nonparametrically. This paper considers a generalized optimization framework for efficient estimation of general treatment effects using artificial neural networks (ANNs) to approximate the unknown nuisance function of growing-dimensional confounders. We establish a new approximation error bound for the ANNs to the nuisance function belonging to a mixed smoothness class without a known sparsity structure. We show that the ANNs can alleviate the "curse of dimensionality" under this circumstance. We establish the root-$n$ consistency and asymptotic normality of the proposed general treatment effects estimators, and apply a weighted bootstrap procedure for conducting inference. The proposed methods are illustrated via simulation studies and a real data application.