Nonparametric estimation of conditional average treatment effects under high-dimensional confounding
高维混杂下条件平均处理效应的非参数估计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：摘要直接研究可观测选择框架下的条件平均处理效应和总体平均处理效应估计。
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…
关注这篇论文的作者
高维混杂下条件平均处理效应的非参数估计
- 研究问题
- 在基于可观测变量选择、潜在混杂变量很多的环境中，如何非参数估计随少量离散或连续协变量变化的异质处理效应？
- 方法与思路
- 作者提出两步估计，第一步使用机器学习，并推导其与第二步非参数估计之间的联合收敛条件；另以模拟和孕期吸烟应用展示。
- 材料陈述的贡献
- 摘要称估计量具有一致性、渐近正态性和速率双重稳健性，且将异质效应取平均可半参数有效地估计总体平均处理效应。
- 阅读关注点
- 应核对两步估计的具体构造、机器学习误差与非参数平滑的耦合条件，以及总体平均效应效率结论和模拟比较的适用范围。
- 阅读边界
- 仅据所给Crossref摘要，无法确定具体收敛速率、推断实现及识别条件细节；多数模拟设定表现较好不构成普遍优越性。
原文摘要
SUMMARY This study considers the practically important case of nonparametrically estimating heterogeneous average treatment effects that vary with a limited number of discrete and continuous covariates in a selection-on-observables framework where the number of possible confounders is very large. We propose a two-step estimator for which the first step is estimated by machine learning. We show that this estimator has desirable statistical properties such as consistency, asymptotic normality, and rate double robustness. In particular, we derive the coupled convergence conditions between the nonparametric and the machine-learning steps. We also show that estimating population average treatment effects by averaging the estimated heterogeneous effects is semiparametrically efficient. The resulting estimators are compared to other suggestions in the literature in Monte Carlo experiments that are inspired by real data. They are found to perform relatively better in most settings. The new estimators are applied to the empirical example of the effects of mothers’ smoking during pregnancy on the birthweight of their babies.