Structured Semiparametric Estimation of Average Treatment Effects with Treatment-Specific Non-Gaussian Error Distributions
处理组特异非高斯误差下平均处理效应的结构化半参数估计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：摘要直接研究平均处理效应、因果模型的有效影响函数及识别模型之间的效率比较，因此归入因果推断。
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
处理组特异非高斯误差下平均处理效应的结构化半参数估计
- 研究问题
- 当连续结局的条件均值具有预设结构，而两处理组误差的尺度、偏度或尾部不同时，如何提高平均处理效应估计效率？
- 方法与思路
- 作者设定有限维均值或预设基展开，允许两组具有不同的未知加性误差分布，并构造交叉拟合与针对平均处理效应的更新估计。
- 材料陈述的贡献
- 摘要称推导了组别特异误差模型的有效影响函数、嵌套模型效率界及相等条件，并刻画有效合并的方差收益与局部偏差之间的关系。
- 阅读关注点
- 应核对均值与误差结构的具体限制、因果识别和正值性条件，以及密度估计要求、效率界相等条件与局部误设方向的定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出完整假设，模拟中的精度收益与稳健性不能直接推广到其他情境。
原文摘要
This paper studies average treatment effect (ATE) estimation for continuous outcomes when the treatment-covariate mean is structured but the error distributions are unknown and may differ across treatment arms in scale, skewness, or tail behavior. We introduce a semiparametric model with a finite-dimensional mean, or a prespecified basis expansion, and separate unrestricted additive error laws for treated and control outcomes. The central theoretical contribution is the ATE-efficient influence function under two treatment-specific error nuisance spaces: it combines arm-specific regression-efficient scores with variation in the marginal covariate law and is distinct from both the unrestricted AIPW gradient and a pooled location-shift score. We establish the exact nested ordering of the efficiency bounds under pooled common-error, treatment-specific-error, and unrestricted causal models, including equality conditions. A local-misspecification result further shows that the variance reduction obtained by valid pooling equals the maximal squared first-order bias incurred along unit treatment-specific directions excluded by the pooled model. We develop efficient cross-fitted plug-in and ATE-targeted implementations requiring only two one-dimensional density estimates; the targeted refinement adds a scalar update. Simulations show substantial precision gains from valid pooling under common non-Gaussian errors and protection against invalid pooling when treatment changes error shape, including under weak positivity. Applications to ACTG175 and National Supported Work data illustrate the resulting precision--robustness tradeoff for irregular continuous outcomes.