On causal estimation using $U$-statistics
基于 U 统计量的因果估计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：摘要明确扩展因果目标参数，并通过潜在结果边际分布的比较处理有序结果与分布差异。
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
基于 U 统计量的因果估计
- 研究问题
- 如何用预先指定的结果比较函数扩展平均处理效应，衡量两个潜在结果边际分布的相对有利程度，并适应有序或异常结果？
- 方法与思路
- 作者对两个潜在结果的边际分布平均比较函数，构造 U 统计量形式的逆倾向得分加权估计及局部有效、双重稳健估计。
- 材料陈述的贡献
- 摘要称，该目标参数类扩展了平均处理效应，并提供相应估计理论，以有序结果的因果估计和抗离群值因果检验展示用途。
- 阅读关注点
- 应核对边际分布比较与个体潜在结果比较的区别、因果识别条件，以及双重稳健性和局部效率各自依赖的模型要求。
- 阅读边界
- 仅据版本未注明的索引摘要，识别假设、效率条件与稳健检验细节未说明；边际分布的比较不能直接解释为个体获益概率。
原文摘要
We introduce a general class of causal estimands which extends the familiar notion of average treatment effect. The class is defined by a contrast function, prespecified to quantify the relative favourability of one outcome over another, averaged over the marginal distributions of two potential outcomes. Natural estimators arise in the form of |$U$|-statistics. We derive both a naive inverse propensity score weighted estimator and a class of locally efficient and doubly robust estimators. The usefulness of our theory is illustrated by two examples, one for causal estimation with ordinal outcomes, and the other for causal tests that are robust with respect to outliers.