Model-Agnostic Bounds for Augmented Inverse Probability Weighted Estimators' Wald-Confidence Interval Coverage in Randomized Controlled Trials
随机对照试验中 AIPW 估计器 Wald 区间覆盖率的模型无关界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：摘要围绕随机对照试验中平均处理效应的 AIPW 估计与置信区间覆盖，直接属于因果推断。
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…
关注这篇论文的作者
随机对照试验中 AIPW 估计器 Wald 区间覆盖率的模型无关界
- 研究问题
- 随机对照试验中，不同 AIPW 估计器即使具有相同渐近分布，其 Wald 区间覆盖率接近名义水平的速度是否存在重要差别？
- 方法与思路
- 作者针对采用黑箱辅助估计器的 AIPW，分别分析有无交叉拟合的情形，推导非渐近 Berry–Esseen 型覆盖误差界。
- 材料陈述的贡献
- 摘要称，结果提供渐近正态性以外的区间评价维度，并分析交叉拟合与非交叉拟合方差估计可能分别偏高和偏低的现象。
- 阅读关注点
- 应核对覆盖误差界依赖的矩条件、辅助估计误差及样本划分方式，并检查方差偏差结论和界在实际样本量下的信息量。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出界的表达和条件，方差偏差的可能方向不构成普遍结论。
原文摘要
Nonparametric estimators, such as the augmented inverse probability weighted (AIPW) estimator, have become increasingly popular in causal inference. Numerous nonparametric estimators have been proposed, but they are all asymptotically normal with the same asymptotic variance under similar conditions, leaving little guidance for practitioners to choose an estimator. In this paper, I focus on another important perspective of their asymptotic behaviors beyond asymptotic normality, the convergence of the Wald-confidence interval (CI) coverage to the nominal coverage. Such results have been established for simpler estimators (e.g., the Berry-Esseen Theorem), but are lacking for nonparametric estimators. I consider a simple but practical setting where the AIPW estimator based on a black-box nuisance estimator, with or without cross-fitting, is used to estimate the average treatment effect in randomized controlled trials. I derive non-asymptotic Berry-Esseen-type bounds on the difference between Wald-CI coverage and the nominal coverage. I also analyze the bias of variance estimators, showing that the cross-fit variance estimator might overestimate while the non-cross-fit variance estimator might underestimate, which might explain why cross-fitting has been empirically observed to improve Wald-CI coverage even if both estimators converge to the same asymptotic normal distribution.