A causal bootstrap
因果自助法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：摘要明确以平均处理效应为推断目标，并讨论随机处理分配、观察性设计和不完全依从。
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
因果自助法
- 研究问题
- 平均处理效应估计的不确定性包含处理分配的随机性时，如何构造能反映这一来源的自助法与置信区间？
- 方法与思路
- 作者提出用于平均处理效应推断的因果自助法，与经典自助法比较，并考虑完全随机、观察性及不完全依从设计。
- 材料陈述的贡献
- 摘要称，该程序把处理接受的随机性纳入推断，扩展仅从经验抽样分布近似估计量不确定性的经典思路。
- 阅读关注点
- 应核对各设计下的目标总体、处理分配机制及重抽样步骤，并查看观察性研究和不完全依从所需的识别条件。
- 阅读边界
- 仅依据所给 OpenAlex 摘要，无法确定具体识别假设、覆盖率保证或与经典自助法的差异幅度，也不能推断版本变化。
原文摘要
The bootstrap, introduced by The Jackknife, the Bootstrap and Other Resampling Plans ((1982), SIAM), has become a very popular method for estimating variances and constructing confidence intervals. A key insight is that one can approximate the properties of estimators by using the empirical distribution function of the sample as an approximation for the true distribution function. This approach views the uncertainty in the estimator as coming exclusively from sampling uncertainty. We argue that for causal estimands the uncertainty arises entirely, or partially, from a different source, corresponding to the stochastic nature of the treatment received. We develop a bootstrap procedure for inference regarding the average treatment effect that accounts for this uncertainty, and compare its properties to that of the classical bootstrap. We consider completely randomized and observational designs as well as designs with imperfect compliance.