On estimating regression-based causal effects using sufficient dimension reduction
利用充分降维估计基于回归的因果效应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：摘要明确定义潜在结果的条件均值差，并讨论平均因果效应、共同支持和倾向得分比较，直接对应因果推断。
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
利用充分降维估计基于回归的因果效应
- 研究问题
- 如何利用充分降维估计给定协变量下的潜在结果均值差，并进一步估计平均因果效应，同时缓解共同支持要求？
- 方法与思路
- 作者提出受最小平均方差估计启发的回归因果效应估计量，借助充分降维处理协变量，并研究平均效应估计的渐近性质。
- 材料陈述的贡献
- 摘要称方法所需共同支持条件弱于倾向得分方法，平均因果效应估计具有渐近超效率，并用模拟展示有限样本性质。
- 阅读关注点
- 阅读时应核对因果识别假设、降维子空间与支持条件的关系，特别是超效率相对于何种基准、在哪些条件下成立。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未列出识别假设及超效率的精确定义，不能据此声称普遍优于倾向得分方法。
原文摘要
In many causal inference problems the parameter of interest is the regression causal effect, defined as the conditional mean difference in the potential outcomes given covariates. In this paper we discuss how sufficient dimension reduction can be used to aid causal inference, and we propose a new estimator of the regression causal effect inspired by minimum average variance estimation. The estimator requires a weaker common support condition than propensity score-based approaches, and can be used to estimate the average causal effect, for which it is shown to be asymptotically super-efficient. Its finite-sample properties are illustrated by simulation.