Efficient propensity score regression estimators of multivalued treatment effects for the treated
多值处理下受处理者效应的有效倾向得分回归估计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：摘要直接研究条件随机分配下多值处理的反事实比较和受处理者因果效应。
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
多值处理下受处理者效应的有效倾向得分回归估计
- 研究问题
- 多值处理在给定可观测变量后随机分配时，如何有效估计特定处理组相对于其他处理水平的反事实处理效应？
- 方法与思路
- 作者结合实际处理和反事实处理的两个倾向得分，构造归一化得分上的回归估计，并考虑倾向得分已知与未知两种情形。
- 材料陈述的贡献
- 摘要称，作者提出一类受处理者效应的有效估计量，渐近理论计入倾向得分经参数或非参数估计后作为生成回归量的影响。
- 阅读关注点
- 应核对目标处理效应的定义、条件随机分配与共同支持要求，以及归一化得分和有效性结论在两类信息情形下的差异。
- 阅读边界
- 所给出版社摘要未说明完整识别条件、效率界或具体实现步骤；其效应解释依赖条件随机分配，不能据此覆盖未观测混杂。
原文摘要
When a multivalued treatment is randomly assigned conditional on observables, valid causal comparisons for a subpopulation treated at a particular treatment level require two propensity scores—one for the treated level and one for the counterfactual level. We contribute efficient propensity score regression estimators to a class of treatment effects for the treated, under the cases when the propensity scores are unknown and when they are known. Our efficient estimator matches on a normalized propensity score that combines the true propensity score and the nonparametric estimate. Our asymptotic theory takes into account that the propensity scores are nonparametrically or parametrically estimated as generated regressors.