Regularized calibrated estimation of propensity scores with model misspecification and high-dimensional data
模型误设与高维数据下倾向得分的正则化校准估计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：摘要明确以观察性研究中的处理效应和逆概率加权为目标，直接属于因果推断方法。
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
模型误设与高维数据下倾向得分的正则化校准估计
- 研究问题
- 在倾向得分模型可能误设且协变量维度较高时，如何控制逆概率加权估计的误差，并改进倾向得分拟合方式？
- 方法与思路
- 作者以校准损失替代逻辑模型的似然损失，加入lasso惩罚，并提出Fisher评分下降算法及高维分析。
- 材料陈述的贡献
- 摘要称校准损失同时涉及似然误差与倾向得分相对误差的控制，并据此分析加权估计，提供模拟、应用及R实现。
- 阅读关注点
- 应核对校准损失的定义、相对误差与加权均方误差的联系，以及高维结论对稀疏性、模型误设和调参的要求。
- 阅读边界
- 仅据所给Crossref摘要，不能认定任意模型误设下均有效；具体理论条件与相对优势的比较范围未说明。
原文摘要
Summary Propensity scores are widely used with inverse probability weighting to estimate treatment effects in observational studies. We study calibrated estimation as an alternative to maximum likelihood estimation for fitting logistic propensity score models. We show that, with possible model misspecification, minimizing the expected calibration loss underlying the calibrated estimators involves reducing both the expected likelihood loss and a measure of relative errors between the limiting and true propensity scores, which governs the mean squared errors of inverse probability weighted estimators. Furthermore, we derive a regularized calibrated estimator by minimizing the calibration loss with a lasso penalty. We develop a Fisher scoring descent algorithm for computing the proposed estimator and provide a high-dimensional analysis of the resulting inverse probability weighted estimators, leveraging the control of relative errors of propensity scores for calibrated estimation. We present a simulation study and an empirical application to demonstrate the advantages of the proposed methods over maximum likelihood and its regularization. The methods are implemented in the R package RCAL.