Inverting estimating equations for causal inference on quantiles
通过反演估计方程进行分位数因果推断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：摘要直接研究潜在结果分位数的因果识别与估计，文本同时支持因果推断及分位数与分布效应两类。
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
通过反演估计方程进行分位数因果推断
- 研究问题
- 如何将潜在结果均值的既有因果推断方法推广到潜在结果分位数，并系统连接两类目标的估计方程与影响函数？
- 方法与思路
- 作者从阈值变换后潜在结果均值的识别矩函数出发，反演构造分位数估计方程，并推导有效影响函数及渐近性质。
- 材料陈述的贡献
- 摘要提出均值与分位数因果推断之间的统一转换路径，涵盖参数模型和机器学习辅助估计，并给出解析与数值例子。
- 阅读关注点
- 应核对阈值均值的识别要求、分位数反演的唯一性和正则性，以及机器学习估计辅助函数时的误差条件。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未列明完整正则条件，不能认为所有均值推断方法均可直接迁移。
原文摘要
The causal inference literature frequently focuses on estimating the mean of the potential outcome, whereas quantiles of the potential outcome may carry important additional information. We propose a unified approach, based on the inverse estimating equations, to generalize a class of causal inference solutions from estimating the mean of the potential outcome to its quantiles. We assume that a moment function is available to identify the mean of the threshold-transformed potential outcome, based on which a convenient construction of the estimating equation of quantiles of potential outcome is proposed. In addition, we give a general construction of the efficient influence functions of the mean and quantiles of potential outcomes, and explicate their connection. We motivate estimators for the quantile estimands with the efficient influence function, and develop their asymptotic properties when either parametric models or data-adaptive machine learners are used to estimate the nuisance functions. A broad implication of our results is that one can rework the existing result for mean causal estimands to facilitate causal inference on quantiles. Our general results are illustrated by several analytical and numerical examples.