Parameterising the effect of a continuous treatment using average derivative effects
用平均导数效应参数化连续处理的影响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：摘要直接讨论连续处理效应、局部平移干预及其因果目标量和有效估计。
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…
用平均导数效应参数化连续处理的影响
- 研究问题
- 如何用标量概括连续处理的局部影响，减少剂量反应曲线或平移干预所需的重叠要求，并避免估计条件密度的负担？
- 方法与思路
- 作者刻画加权平均导数效应的 Riesz 表示元，统一连续与二元处理目标量，寻找效率界最小的权重，并构造两个免密度估计量。
- 材料陈述的贡献
- 摘要称，该框架把二元处理的最优加权思想推广到连续处理，提出可结合机器学习的有效估计方法，并用模拟和华法林剂量分析评价。
- 阅读关注点
- 应核对因果解释所需假设、局部重叠与边界条件、权重如何改变目标人群，以及免密度估计和效率最优性的准确条件。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出完整识别条件，局部导数不能直接代表大幅剂量改变。
原文摘要
The average treatment effect (ATE) is commonly used to quantify the main effect of a binary treatment on an outcome. Extensions to continuous treatments are usually based on the dose-response curve or shift interventions, but both require strong overlap conditions and the resulting curves may be difficult to summarise. We focus instead on average derivative effects (ADEs) that are scalar estimands related to infinitesimal shift interventions requiring only local overlap assumptions. ADEs, however, are rarely used in practice because their estimation usually requires estimating conditional density functions. By characterising the Riesz representers of weighted ADEs, we propose a new class of estimands that provides a unified view of weighted ADEs/ATEs when the treatment is continuous/binary. We derive the estimand in our class that minimises the nonparametric efficiency bound, thereby extending optimal weighting results from the binary treatment literature to the continuous setting. We develop efficient estimators for two weighted ADEs that avoid density estimation and are amenable to modern machine learning methods, which we evaluate in simulations and an applied analysis of Warfarin dosage effects.