Nonparametric Estimation of Conditional Incremental Effects
条件增量效应的非参数估计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。
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：摘要明确研究随机干预的因果效应识别、双重稳健估计与处理效应异质性。
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…
条件增量效应的非参数估计
- 研究问题
- 论文研究在处理概率可能为零、常规条件平均处理效应难以识别时，如何定义和估计随个体特征变化的干预效应。
- 方法与思路
- 作者以处理赔率倍增的随机干预定义条件效应，构造投影与非参数估计器，并以条件导数效应的方差刻画和检验异质性。
- 材料陈述的贡献
- 摘要称，所提效应的识别不要求正值性，并给出具有某种双重稳健性的误差保证与异质性估计方法，应用于重症监护入院和死亡。
- 阅读关注点
- 应核对增量干预的目标参数、除正值性外的识别要求、双重稳健性的准确形式，以及异质性检验的零假设和推断条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；不要求正值性不意味着无需其他识别条件，摘要未给出应用效应的具体结果。
原文摘要
Conditional effect estimation has great scientific and policy importance because interventions may impact subjects differently depending on their characteristics. Most research has focused on estimating the conditional average treatment effect (CATE). However, identification of the CATE requires all subjects have a non-zero probability of receiving treatment, or positivity, which may be unrealistic in practice. Instead, we propose conditional effects based on incremental propensity score interventions, which are stochastic interventions where the odds of treatment are multiplied by some factor. These effects do not require positivity for identification and can be better suited for modeling scenarios in which people cannot be forced into treatment. We develop a projection estimator and a flexible nonparametric estimator that can each estimate all the conditional effects we propose and derive model-agnostic error guarantees showing both estimators satisfy a form of double robustness. Further, we propose a summary of treatment effect heterogeneity and a test for any effect heterogeneity based on the variance of a conditional derivative effect and derive a nonparametric estimator that also satisfies a form of double robustness. Finally, we demonstrate our estimators by analyzing the effect of intensive care unit admission on mortality using a dataset from the (SPOT)light study.