Model-assisted sensitivity analysis for treatment effects under unmeasured confounding via regularized calibrated estimation
未观测混杂下处理效应的模型辅助敏感性分析：正则化校准估计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：摘要直接研究未观测混杂下平均处理效应的敏感性分析，并以结果分位数回归构造效应界。
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
未观测混杂下处理效应的模型辅助敏感性分析：正则化校准估计
- 研究问题
- 在边际敏感性模型允许未观测混杂时，如何估计平均处理效应的总体界，并在倾向得分或结果回归可能错设时构造有效区间？
- 方法与思路
- 作者提出尖锐界的新表示及依赖加权线性分位数回归的放宽界，用带 Lasso 惩罚和特定损失函数的正则化校准方法拟合辅助模型。
- 材料陈述的贡献
- 摘要称放宽界的点估计具有双重稳健性，倾向模型正确时区间允许结果模型错设；分位数模型正确时放宽界等于尖锐界。
- 阅读关注点
- 应核对点估计与区间各自的稳健性条件、线性结果均值模型下区间的双重稳健性，以及敏感性参数、放宽界与尖锐界的关系。
- 阅读边界
- 仅依据 Crossref 摘要；边际敏感性模型的具体约束、正则条件和有限样本表现未说明，双重稳健区间不能无条件推广到任意结果模型。
原文摘要
Abstract Consider sensitivity analysis for estimating average treatment effects under unmeasured confounding, assumed to satisfy a marginal sensitivity model. At the population level, we provide new representations for the sharp population bounds and doubly robust estimating functions. We also derive new, relaxed population bounds, depending on weighted linear outcome quantile regression. At the sample level, we develop new methods and theory for obtaining not only doubly robust point estimators for the relaxed population bounds with respect to misspecification of a propensity score model or an outcome mean regression model, but also model-assisted confidence intervals which are valid if the propensity score model is correctly specified, but the outcome quantile and mean regression models may be misspecified. The relaxed population bounds reduce to the sharp bounds if outcome quantile regression is correctly specified. For a linear outcome mean regression model, the confidence intervals are also doubly robust. Our methods involve regularized calibrated estimation, with Lasso penalties but carefully chosen loss functions, for fitting propensity score and outcome mean and quantile regression models. We present a simulation study and an empirical application to an observational study on the effects of right-heart catheterization. The proposed method is implemented in the R package RCALsa.