Sparsity Double Robust Inference of Average Treatment Effects
平均处理效应的稀疏性双重稳健推断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：摘要直接研究高维混杂下平均处理效应的估计和置信区间。
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
平均处理效应的稀疏性双重稳健推断
- 研究问题
- 在高维混杂情形下，能否只要求条件响应函数或处理概率之一具有超稀疏表示，就获得平均处理效应的有效置信区间？
- 方法与思路
- 作者研究一种平均处理效应估计方法，以响应函数或处理概率任一满足超稀疏表示为保障，推导渐近精确的置信区间。
- 材料陈述的贡献
- 摘要称方法放宽了基准方法对两类函数稀疏性的要求，并给出半参数有效性结果，从而扩大高维处理效应推断的适用范围。
- 阅读关注点
- 应核对超稀疏的具体速率、另一类函数仍需满足的限制，以及处理效应识别、区间覆盖和半参数有效性各自所需条件。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定同行评审或期刊接收；摘要未列识别条件，也不能将稀疏性双重稳健等同于任意模型错设稳健。
原文摘要
Many popular methods for building confidence intervals on causal effects under high-dimensional confounding require strong "ultra-sparsity" assumptions that may be difficult to validate in practice. To alleviate this difficulty, we here study a new method for average treatment effect estimation that yields asymptotically exact confidence intervals assuming that either the conditional response surface or the conditional probability of treatment allows for an ultra-sparse representation (but not necessarily both). This guarantee allows us to provide valid inference for average treatment effect in high dimensions under considerably more generality than available baselines. In addition, we showcase that our results are semi-parametrically efficient.