Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding
未测混杂因果推断的双重有效与双重尖锐敏感性分析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：摘要直接研究未测混杂下平均处理效应的部分识别界、敏感性分析与稳健推断。
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
未测混杂因果推断的双重有效与双重尖锐敏感性分析
- 研究问题
- 当未观测混杂对处理优势的影响被限制在固定倍数内时，如何界定平均处理效应，并在辅助模型误设下保持推断有效？
- 方法与思路
- 作者以处理优势变化的倍数约束定义敏感性模型，借助分布稳健优化推导尖锐识别界，并构造具有多重稳健性质的估计量。
- 材料陈述的贡献
- 摘要称，估计方法具有双重尖锐性和双重有效性，适当条件下达到半参数效率，部分误设情形仍提供有效但可能保守的界。
- 阅读关注点
- 应核对两种双重性质分别针对哪些辅助参数、效率所需收敛条件，以及估计量非渐近正态时 Wald 区间仍有效的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出完整误设条件，有效界限仍以所设混杂影响约束成立为前提。
原文摘要
We consider the problem of constructing bounds on the average treatment effect (ATE) when unmeasured confounders exist but have bounded influence. Specifically, we assume that omitted confounders could not change the odds of treatment for any unit by more than a fixed factor. We derive the sharp partial identification bounds implied by this assumption by leveraging distributionally robust optimization, and we propose estimators of these bounds with several novel robustness properties. The first is double sharpness: our estimators consistently estimate the sharp ATE bounds when one of two nuisance parameters is misspecified and achieve semiparametric efficiency when all nuisance parameters are suitably consistent. The second is double validity: even when most nuisance parameters are misspecified, our estimators still provide valid but possibly conservative bounds for the ATE and our Wald confidence intervals remain valid even when our estimators are not asymptotically normal. As a result, our estimators provide a highly credible method for sensitivity analysis of causal inferences.