Causal inference in high-dimensional generalized linear models with binary outcomes
二元结果高维广义线性模型中的因果推断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。
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：摘要明确以高维二元结果模型中的因果效应为目标，提出去偏和平衡估计并对照实验基准，直接属于因果推断。
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
二元结果高维广义线性模型中的因果推断
- 研究问题
- 在二元结果、高维协变量及一般链接函数下，如何对因果参数和稠密线性对比进行有效去偏估计与渐近推断？
- 方法与思路
- 作者在正则化回归代入估计上加入校正，借助一次凸优化近似平衡链接导数加权协变量并控制方差，无需估计倾向得分。
- 材料陈述的贡献
- 摘要称，标准条件下估计量具有 \sqrt{n} 一致性及渐近正态性，模拟优于所比方法，培训数据结果接近实验基准。
- 阅读关注点
- 应核对因果识别条件、稀疏性与链接函数限制、凸优化的平衡误差控制，以及置信区间在有限样本中的覆盖表现。
- 阅读边界
- 摘要未列明“标准条件”、维度增长限制与模拟设计；有限样本优势及接近实验基准均不能据此视为普遍保证。
原文摘要
Summary This paper proposes a debiased estimator for causal effects in high-dimensional generalized linear models with binary outcomes and general link functions. The estimator augments a regularized regression plug-in with weights computed from a single convex optimization that approximately balances link-derivative-weighted covariates and controls variance; it does not rely on estimated propensity scores. Under standard conditions, the estimator is $\sqrt{n}$-consistent and asymptotically normal for dense linear contrasts and causal parameters. Simulation results show the superior performance of our approach in comparison to alternatives such as inverse propensity score estimators and double machine learning estimators in finite samples. When applied to National Supported Work training data, our estimates and confidence intervals are close to the experimental benchmark.