On regression-adjusted imputation estimators of average treatment effects
平均处理效应的回归调整插补估计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：摘要以潜在结果插补估计平均处理效应，并研究双重稳健性与半参数效率，直接属于因果推断方法研究。
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
平均处理效应的回归调整插补估计
- 研究问题
- 通过回归函数插补缺失潜在结果并加以调整的平均处理效应估计，是否具有双重稳健性，何时达到半参数效率？
- 方法与思路
- 作者建立覆盖多类回归调整插补方法的统一理论，将核匹配、近邻匹配、局部线性匹配和诚实随机森林纳入分析。
- 材料陈述的贡献
- 摘要称，一大类插补估计具有双重稳健性，并在密度和回归模型均正确设定时具有半参数效率，形式化相关猜想。
- 阅读关注点
- 应核对处理效应识别条件、双重稳健性对应的两类模型，以及各匹配和森林方法满足效率结论所需的条件。
- 阅读边界
- 摘要未说明重叠性、模型误设范围和估计误差速率，不能认定任意插补方法均双重稳健；仅据所给出版社摘要。
原文摘要
Imputing missing potential outcomes using an estimated regression function is a natural idea for estimating causal effects. In the literature, estimators that combine imputation and regression adjustments are believed to be comparable to augmented inverse probability weighting. Accordingly, people for a long time conjectured that such estimators, while avoiding directly constructing the weights, are also doubly robust (Imbens, 2004; Stuart, 2010). Generalizing an earlier result of the authors (Lin et al., 2023), this paper formalizes this conjecture, showing that a large class of regression-adjusted imputation methods are indeed doubly robust for estimating average treatment effects. In addition, they are provably semiparametrically efficient as long as both the density and regression models are correctly specified. Notable examples of imputation methods covered by our theory include kernel matching, (weighted) nearest neighbor matching, local linear matching, and (honest) random forests.