A Fast Bootstrap Algorithm for Causal Inference with Large Data
大规模数据因果推断的快速自助法算法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：摘要专门研究大数据因果效应估计的标准误和置信区间计算。
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…
大规模数据因果推断的快速自助法算法
- 研究问题
- 大规模实验和观测数据中，如何降低复杂因果估计量进行 bootstrap 的计算负担，同时保持标准误与置信区间的可靠性？
- 方法与思路
- 作者将 bag of little bootstraps 思路扩展至因果推断，提出 causal bag of little bootstraps，并以模拟和激素治疗应用评估性能。
- 材料陈述的贡献
- 摘要称新算法提高传统 bootstrap 的计算效率，提供一致估计和良好区间覆盖，并比较偏差、百分之九十五区间覆盖率与耗时。
- 阅读关注点
- 应核对子样本与重抽样方案、适用因果估计量、一致性和覆盖条件，并比较相同计算预算下的区间表现及参数选择。
- 阅读边界
- 来源为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明一致性对象、适用估计量范围或效率提升的具体数值。
原文摘要
Estimating causal effects from large experimental and observational data has become increasingly prevalent in both industry and research. The bootstrap is an intuitive and powerful technique used to construct standard errors and confidence intervals of estimators. Its application however can be prohibitively demanding in settings involving large data. In addition, modern causal inference estimators based on machine learning and optimization techniques exacerbate the computational burden of the bootstrap. The bag of little bootstraps has been proposed in non-causal settings for large data but has not yet been applied to evaluate the properties of estimators of causal effects. In this paper, we introduce a new bootstrap algorithm called causal bag of little bootstraps for causal inference with large data. The new algorithm significantly improves the computational efficiency of the traditional bootstrap while providing consistent estimates and desirable confidence interval coverage. We describe its properties, provide practical considerations, and evaluate the performance of the proposed algorithm in terms of bias, coverage of the true 95% confidence intervals, and computational time in a simulation study. We apply it in the evaluation of the effect of hormone therapy on the average time to coronary heart disease using a large observational data set from the Women's Health Initiative.