Dynamic treatment effects: high-dimensional inference under model misspecification
动态处理效应：模型误设下的高维推断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：摘要明确研究多期暴露的动态因果处理效应、时变混杂及双重稳健推断。
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…
关注这篇论文的作者
动态处理效应：模型误设下的高维推断
- 研究问题
- 多期处理伴随时变混杂和高维协变量时，如何在部分处理或结果模型误设、干扰参数估计较慢的情况下进行因果推断？
- 方法与思路
- 作者提出序贯模型双重稳健估计器，以矩目标化的干扰参数估计和专门设计的损失函数处理各暴露时点的混杂。
- 材料陈述的贡献
- 摘要称在每个暴露时点至少一个干扰模型正确设定时，其方法仍可实现根号 N 推断，并解决常规高维方法在误设下的部分限制。
- 阅读关注点
- 应核对逐时点正确设定的准确含义、损失函数与目标矩的关系，以及稀疏性、估计误差和其他根号 N 推断条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未经核实。摘要未列出完整识别及高维速率条件，不能仅凭逐时点模型正确便断言推断有效。
原文摘要
Estimating dynamic treatment effects is crucial across various disciplines, providing insights into the time-dependent causal impact of interventions. However, this estimation poses challenges due to time-varying confounding, leading to potentially biased estimates. Furthermore, accurately specifying the growing number of treatment assignments and outcome models with multiple exposures appears increasingly challenging to accomplish. Double robustness, which permits model misspecification, holds great value in addressing these challenges. This paper introduces a novel "sequential model doubly robust" estimator. We develop novel moment-targeting estimates to account for confounding effects and establish that root-$N$ inference can be achieved as long as at least one nuisance model is correctly specified at each exposure time, despite the presence of high-dimensional covariates. Although the nuisance estimates themselves do not achieve root-$N$ rates, the carefully designed loss functions in our framework ensure final root-$N$ inference for the causal parameter of interest. Unlike off-the-shelf high-dimensional methods, which fail to deliver robust inference under model misspecification even within the doubly robust framework, our newly developed loss functions address this limitation effectively.