Accounting for Missing Covariates in Heterogeneous Treatment Estimation
异质性处理效应估计中的缺失协变量问题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：摘要明确研究跨人群异质性处理效应的部分识别与估计。
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…
异质性处理效应估计中的缺失协变量问题
- 研究问题
- 目标人群拥有研究样本未观测的协变量时，如何利用已有处理效应信息，为这些新增协变量条件下的异质性效应构造紧界？
- 方法与思路
- 作者借鉴生态推断，要求完整协变量下的条件处理效应在边际化后匹配共同协变量下的效应，并提出界限的偏差校正估计量。
- 材料陈述的贡献
- 摘要称，该策略实现部分识别，校正估计量具有快速收敛和渐近正态性，真实与合成数据实验所得界限较比较方法更紧。
- 阅读关注点
- 应核对跨人群效应迁移所需条件、边际化约束为何产生紧界，以及偏差校正、收敛速度和渐近正态性的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明人群间可比性条件、界限公式和比较基准，不能判断一般适用性。
原文摘要
Many applications of causal inference require using treatment effects estimated on a study population to make decisions in a separate target population. We consider the challenging setting where there are covariates that are observed in the target population that were not seen in the original study. Our goal is to estimate the tightest possible bounds on heterogeneous treatment effects conditioned on such newly observed covariates. We introduce a novel partial identification strategy based on ideas from ecological inference; the main idea is that estimates of conditional treatment effects for the full covariate set must marginalize correctly when restricted to only the covariates observed in both populations. Furthermore, we introduce a bias-corrected estimator for these bounds and prove that it enjoys fast convergence rates and statistical guarantees (e.g., asymptotic normality). Experimental results on both real and synthetic data demonstrate that our framework can produce bounds that are much tighter than would otherwise be possible.