A Unified Approach for Estimating Various Treatment Effects in Causal Inference
因果推断中多类处理效应的统一估计方法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。
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：摘要直接涉及平均处理效应和分位数处理效应；混杂变量的网络结构不足以确认个体间干扰。
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
因果推断中多类处理效应的统一估计方法
- 研究问题
- 能否在统一框架内估计平均与分位数等多类处理效应，并结合混杂变量选择及其结构信息提高估计效率？
- 方法与思路
- 作者基于统计泛函与累积分布函数构造统一估计量，同时纳入变量选择，将混杂变量中的信息与网络结构用于估计。
- 材料陈述的贡献
- 摘要称，作者建立变量选择一致性与泛函估计量的渐近正态性，并报告数值研究中相对既有方法的效率优势。
- 阅读关注点
- 应核对因果识别假设、可覆盖的泛函范围、变量选择后的推断，以及模拟比较是否采用一致的信息与调参条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出理论条件，所述优势不能外推至所有场景。
原文摘要
In this paper, we introduce a unified estimator to analyze various treatment effects in causal inference, including but not limited to the average treatment effect (ATE) and the quantile treatment effect (QTE). The proposed estimator is developed under the statistical functional and cumulative distribution function structure, which leads to a flexible and robust estimator and covers some frequent treatment effects. In addition, our approach also takes variable selection into account, so that informative and network structure in confounders can be identified and be implemented in our estimation procedure. The theoretical properties, including variable selection consistency and asymptotic normality of the statistical functional estimator, are established. Various treatment effects estimations are also conducted in numerical studies, and the results reveal that the proposed estimator generally outperforms the existing methods and is more efficient than its competitors.