Model-Assisted Inference for Covariate-Specific Treatment Effects with High-dimensional Data
高维数据下协变量特定处理效应的模型辅助推断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：摘要直接研究异质处理效应的双重稳健估计与置信区间。
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…
高维数据下协变量特定处理效应的模型辅助推断
- 研究问题
- 高维协变量下，如何对由选定协变量定义的异质处理效应进行点估计和区间推断，并允许倾向得分或结果模型存在特定误设？
- 方法与思路
- 作者用基函数线性表示协变量特定效应，构建双重稳健点估计与模型辅助区间，并研究线性结果模型及离散亚组下的双重稳健推断。
- 材料陈述的贡献
- 摘要称倾向得分模型正确时，区间允许结果模型误设；在线性结果模型和离散亚组的所述情形中，点估计与区间均具双重稳健性。
- 阅读关注点
- 应核对高维稀疏性与收敛条件、基函数表示的设定，以及一般情形的模型辅助区间和特殊情形双重稳健区间的区别。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整识别与渐近条件，不能把点估计的双重稳健性泛化到所有区间。
原文摘要
Covariate-specific treatment effects (CSTEs) represent heterogeneous treatment effects across subpopulations defined by certain selected covariates. In this article, we consider marginal structural models where CSTEs are linearly represented using a set of basis functions of the selected covariates. We develop a new approach in high-dimensional settings to obtain not only doubly robust point estimators of CSTEs, but also model-assisted confidence intervals, which are valid when a propensity score model is correctly specified but an outcome regression model may be misspecified. With a linear outcome model and subpopulations defined by discrete covariates, both point estimators and confidence intervals are doubly robust for CSTEs. In contrast, confidence intervals from existing high-dimensional methods are valid only when both the propensity score and outcome models are correctly specified. We establish asymptotic properties of the proposed point estimators and the associated confidence intervals. We present simulation studies and empirical applications which demonstrate the advantages of the proposed method compared with competing ones.