A Covariate Selection Criterion for Estimation of Treatment Effects
用于处理效应估计的协变量选择准则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：摘要明确研究无混杂及其局部违背下的 ATE、ATT 估计、协变量选择与置信区间，直接对应因果推断方向。
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
用于处理效应估计的协变量选择准则
- 研究问题
- 存在多个候选协变量集时，如何选择或组合平均处理效应及已处理者平均处理效应的估计量，以降低估计误差？
- 方法与思路
- 作者分别考虑全部协变量集满足无混杂、以及部分集合局部违背无混杂两种情形，提出以最小化渐近均方误差为目标的选择准则。
- 材料陈述的贡献
- 摘要称作者提出 ATE、ATT 的组合估计，推导渐近分布并给出有效置信区间方法；模拟显示相对单一协变量集的效率增益。
- 阅读关注点
- 应核对局部无混杂违背的设定、选择准则和组合权重、选择后置信区间的有效性条件，以及继承控制权应用的识别依据。
- 阅读边界
- 摘要未说明如何判断候选协变量集有效，也未报告效率增益的适用范围；不能据此推断方法对任意程度的遗漏混杂均有效。
原文摘要
We study how to select or combine estimators of the average treatment effect (ATE) and the average treatment effect on the treated (ATT) in the presence of multiple sets of covariates. We consider two cases: (1) all sets of covariates satisfy the unconfoundedness assumption and (2) some sets of covariates violate the unconfoundedness assumption locally. For both cases, we propose a data-driven covariate selection criterion (CSC) to minimize the asymptotic mean squared errors (AMSEs). Based on our CSC, we propose new average estimators of ATE and ATT, which include the selected estimators based on a single set of covariates as a special case. We derive the asymptotic distributions of our new estimators and propose how to construct valid confidence intervals. Our Monte Carlo simulations show that in finite samples, our new average estimators achieve substantial efficiency gains over the estimators based on a single set of covariates. We apply our new estimators to study the impact of inherited control on firm performance.