Generalized Kernel Ridge Regression for Causal Inference with Missing-at-Random Sample Selection
随机缺失样本选择下用于因果推断的广义核岭回归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：摘要明确估计剂量反应、处理效应和反事实结局分布，因此直接涉及因果推断与分布效应两个方向。
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
随机缺失样本选择下用于因果推断的广义核岭回归
- 研究问题
- 当结局仅在被选择的样本中可见，且选择在给定处理与协变量后近似随机时，如何估计剂量反应和处理效应？
- 方法与思路
- 作者扩展随机缺失框架，允许协变量影响处理或受处理影响，以核矩阵运算构造反事实均值、增量和分布估计量。
- 材料陈述的贡献
- 摘要称，连续处理估计具有一致收敛及有限样本速率，离散处理估计具有根号样本量一致性、高斯近似和半参数效率。
- 阅读关注点
- 应核对处理后协变量如何进入识别框架、样本选择与处理分配所需条件，以及核正则化和各项收敛结论的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列出完整识别假设、核空间条件及具体收敛速率。
原文摘要
I propose kernel ridge regression estimators for nonparametric dose response curves and semiparametric treatment effects in the setting where an analyst has access to a selected sample rather than a random sample; only for select observations, the outcome is observed. I assume selection is as good as random conditional on treatment and a sufficiently rich set of observed covariates, where the covariates are allowed to cause treatment or be caused by treatment -- an extension of missingness-at-random (MAR). I propose estimators of means, increments, and distributions of counterfactual outcomes with closed form solutions in terms of kernel matrix operations, allowing treatment and covariates to be discrete or continuous, and low, high, or infinite dimensional. For the continuous treatment case, I prove uniform consistency with finite sample rates. For the discrete treatment case, I prove root-n consistency, Gaussian approximation, and semiparametric efficiency.