Doubly Robust Inference on Causal Derivative Effects for Continuous Treatments
连续处理因果导数效应的双重稳健推断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：摘要以连续处理的剂量反应导数为因果目标，并讨论正值性、逆概率加权和双重稳健推断，直接对应因果推断。
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
连续处理因果导数效应的双重稳健推断
- 研究问题
- 如何对连续处理剂量反应曲线的导数进行非参数因果推断，尤其在处理分布缺乏正值性时如何应对传统估计量的不一致？
- 方法与思路
- 作者在正值性下采用核平滑构建双重稳健推断，在正值性失效时提出偏差校正的逆概率加权和双重稳健估计量。
- 材料陈述的贡献
- 摘要称揭示传统方法在正值性违反时的不一致，并为所提双重稳健估计建立标准非参数速率下的渐近正态性与效率保证。
- 阅读关注点
- 应核对缺乏正值性时目标导数的可识别范围、支持集与光滑性限制，以及偏差校正、带宽和双重稳健性的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明完整支持与识别条件，不能推断方法可解决任意无重叠问题。
原文摘要
Statistical methods for causal inference with continuous treatments mainly focus on estimating the mean potential outcome function, commonly known as the dose-response curve. However, it is often not the dose-response curve but its derivative function that signals the treatment effect. In this paper, we investigate nonparametric inference on the derivative of the dose-response curve with and without the positivity condition. Under the positivity and other regularity conditions, we propose a doubly robust (DR) inference method for estimating the derivative of the dose-response curve using kernel smoothing. When the positivity condition is violated, we demonstrate the inconsistency of conventional inverse probability weighting (IPW) and DR estimators, and introduce novel bias-corrected IPW and DR estimators. In all settings, our DR estimator achieves asymptotic normality at the standard nonparametric rate of convergence with nonparametric efficiency guarantees. Additionally, our approach reveals an interesting connection to nonparametric support and level set estimation problems. Finally, we demonstrate the applicability of our proposed estimators through simulations and a case study of evaluating a job training program.