Approximate Residual Balancing: De-Biased Inference of Average Treatment Effects in High Dimensions
近似残差平衡：高维平均处理效应的去偏推断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：摘要明确以无混杂和重叠假设下的平均处理效应估计及去偏推断为研究目标，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…
近似残差平衡：高维平均处理效应的去偏推断
- 研究问题
- 在无混杂假设下纳入大量处理前协变量时，如何减少惩罚回归调整的偏差，并对平均处理效应进行有效推断？
- 方法与思路
- 作者将平衡权重与正则化结果回归结合，对 lasso 等稀疏回归调整去偏，在高维线性结果模型中分析推断性质。
- 材料陈述的贡献
- 摘要称在重叠性及结果回归的相应条件下可实现根号样本量一致推断，无须假定倾向得分可估或目标对比稀疏。
- 阅读关注点
- 应核对无混杂、结果模型线性、统一重叠和 lasso 的一范数误差条件，以及权重约束与标准误构造。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列完整正则条件，结论不能直接推广到非线性结果模型。
原文摘要
There are many settings where researchers are interested in estimating average treatment effects and are willing to rely on the unconfoundedness assumption, which requires that the treatment assignment be as good as random conditional on pre-treatment variables. The unconfoundedness assumption is often more plausible if a large number of pre-treatment variables are included in the analysis, but this can worsen the performance of standard approaches to treatment effect estimation. In this paper, we develop a method for de-biasing penalized regression adjustments to allow sparse regression methods like the lasso to be used for sqrt{n}-consistent inference of average treatment effects in high-dimensional linear models. Given linearity, we do not need to assume that the treatment propensities are estimable, or that the average treatment effect is a sparse contrast of the outcome model parameters. Rather, in addition standard assumptions used to make lasso regression on the outcome model consistent under 1-norm error, we only require overlap, i.e., that the propensity score be uniformly bounded away from 0 and 1. Procedurally, our method combines balancing weights with a regularized regression adjustment.