Dimension Reduction for Conditional Density Estimation with Applications to High-Dimensional Causal Inference
条件密度估计的降维及其在高维因果推断中的应用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：摘要明确将条件密度降维应用于平均处理效应的双重稳健估计，并讨论倾向得分、结局回归及可忽略性条件，直接关联因果推断。
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
条件密度估计的降维及其在高维因果推断中的应用
- 研究问题
- 高维环境中，如何在避免严格分布或函数形式设定的同时进行条件密度估计，并为平均处理效应估计筛选相关变量？
- 方法与思路
- 作者提出条件依赖度量与改进的交叉验证程序，用于非参数条件密度估计的变量选择，并将降维方法应用于双重稳健处理效应估计。
- 材料陈述的贡献
- 摘要称该程序无需主观阈值即可选择倾向得分相关变量，还通过细化可忽略性条件降低结局回归维度，并展示模拟和储蓄应用。
- 阅读关注点
- 应核对条件依赖度量、变量选择规则及细化可忽略性条件，重点检查选择误差如何影响双重稳健估计和后续统计推断。
- 阅读边界
- 这是arXiv预印本，不能据此确认同行评审或期刊接收；摘要未说明一致性、收敛率或推断条件，降维也不自动保证因果识别成立。
原文摘要
We propose a novel and computationally efficient approach for nonparametric conditional density estimation in high-dimensional settings that achieves dimension reduction without imposing restrictive distributional or functional form assumptions. To uncover the underlying sparsity structure of the data, we develop an innovative conditional dependence measure and a modified cross-validation procedure that enables data-driven variable selection, thereby circumventing the need for subjective threshold selection. We demonstrate the practical utility of our dimension-reduced conditional density estimation by applying it to doubly robust estimators for average treatment effects. Notably, our proposed procedure is able to select relevant variables for nonparametric propensity score estimation and also inherently reduce the dimensionality of outcome regressions through a refined ignorability condition. We evaluate the finite-sample properties of our approach through comprehensive simulation studies and an empirical study on the effects of 401(k) eligibility on savings using SIPP data.