Automatic debiased machine learning and sensitivity analysis for sample selection models
样本选择模型的自动去偏机器学习与敏感性分析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：摘要直接研究非随机处理与样本选择下的因果估计及未观测混杂敏感性。
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…
样本选择模型的自动去偏机器学习与敏感性分析
- 研究问题
- 处理分配和结果可观测性均非随机时，如何稳定估计因果效应，并量化未观测混杂对样本选择结果的影响？
- 方法与思路
- 作者扩展 Riesz 表示框架，以 ForestRiesz 处理选择性结果观测，并把遗漏变量偏差分解为尺度、结果混杂和选择混杂三部分。
- 材料陈述的贡献
- 摘要称模拟中该方法比依赖逆概率加权的常规双重机器学习更稳定，并在美国性别工资差距应用中得到更大效应估计。
- 阅读关注点
- 应核对效应目标、结果缺失机制和混杂强度定义，以及 ForestRiesz 的调参比较与敏感性分析所采用的标定依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未列出识别条件，较大工资差距估计本身不能验证因果解释。
原文摘要
In this paper, we extend the Riesz representation framework to causal inference under sample selection, where both treatment assignment and outcome observability are non-random. Formulating the problem in terms of a Riesz representer enables stable estimation and a transparent decomposition of omitted variable bias into three interpretable components: a data-identified scale factor, outcome confounding strength, and selection confounding strength. For estimation, we employ the ForestRiesz estimator, which accounts for selective outcome observability while avoiding the instability associated with direct propensity score inversion. We assess finite-sample performance through a simulation study and show that conventional double machine learning approaches can be highly sensitive to tuning parameters due to their reliance on inverse probability weighting, whereas the ForestRiesz estimator delivers more stable performance by leveraging automatic debiased machine learning. In an empirical application to the gender wage gap in the U.S., we find that our ForestRiesz approach yields larger treatment effect estimates than a standard double machine learning approach, suggesting that ignoring sample selection leads to an underestimation of the gender wage gap. Sensitivity analysis indicates that implausibly strong unobserved confounding would be required to overturn our results. Overall, our approach provides a unified, robust, and computationally attractive framework for causal inference under sample selection.