Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions
污染下高维双重稳健因果推断的惩罚经验似然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：摘要明确研究观察数据中的平均处理效应、倾向评分与双重稳健因果推断。
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…
污染下高维双重稳健因果推断的惩罚经验似然
- 研究问题
- 在高维小样本观察研究中，如何在数据污染及模型误设并存时估计平均处理效应，并提供可靠的变量选择与不确定性量化？
- 方法与思路
- 作者将有界影响结果估计方程、协变量平衡倾向评分和非凸惩罚经验似然结合，并利用累积量生成函数及影响函数修正构造区间。
- 材料陈述的贡献
- 摘要称估计量具有双重稳健性、选择一致性和渐近正态性，并提出有限样本区间；模拟与基因表达应用报告较好的偏差和校准表现。
- 阅读关注点
- 应核对污染模型、双重稳健性与选择一致性的条件，有限样本区间的覆盖保证，以及非凸优化和基因数据应用中的因果识别依据。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未列明污染范围、区间成立条件或效率标准，其优越性陈述仍需全文证据核对。
原文摘要
We propose a doubly robust estimator for the average treatment effect in high dimensional low sample size observational studies, where contamination and model misspecification pose serious inferential challenges. The estimator combines bounded influence estimating equations for outcome modeling with covariate balancing propensity scores for treatment assignment, embedded within a penalized empirical likelihood framework using nonconvex regularization. It satisfies the oracle property by jointly achieving consistency under partial model correct ness, selection consistency, robustness to contamination, and asymptotic normality. For uncertainty quantification, we derive a finite sample confidence interval using cumulant generating functions and influence function corrections, avoiding reliance on asymptotic approximations. Simulation studies and applications to gene expression datasets (Golub and Khan) demonstrate superior performance in bias, error metrics, and interval calibration, highlighting the method robustness and inferential validity in HDLSS regimes. One notable aspect is that even in the absence of contamination, the proposed estimator and its confidence interval remain efficient compared to those of competing models.