Doubly Robust Inference in Causal Latent Factor Models
因果潜在因子模型中的双重稳健推断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：摘要明确在未观测混杂下估计平均处理效应；未说明宏观数据或时间面板，故仅归入因果推断。
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…
因果潜在因子模型中的双重稳健推断
- 研究问题
- 在单位与结果数量都较多、存在未观测混杂的环境中，如何利用潜在因子结构估计平均处理效应并开展可靠推断？
- 方法与思路
- 作者结合结果插补、逆概率加权及新的矩阵补全交叉拟合程序，构造双重稳健估计量，并分析有限样本与渐近误差。
- 材料陈述的贡献
- 摘要称，该估计量具有有限样本和渐近保证，其误差以参数速率收敛到均值为零的高斯分布，并用模拟展示理论性质。
- 阅读关注点
- 应核对潜在因子如何处理未观测混杂、双重稳健性的两个条件分支，以及矩阵补全误差和交叉拟合如何支持参数速率。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出识别和因子结构条件，不能据此认为任意未观测混杂都可消除。
原文摘要
This article introduces a new estimator of average treatment effects under unobserved confounding in modern data-rich environments featuring large numbers of units and outcomes. The proposed estimator is doubly robust, combining outcome imputation, inverse probability weighting, and a novel cross-fitting procedure for matrix completion. We derive finite-sample and asymptotic guarantees, and show that the error of the new estimator converges to a mean-zero Gaussian distribution at a parametric rate. Simulation results demonstrate the relevance of the formal properties of the estimators analyzed in this article.