A Practical Guide to Estimating Conditional Marginal Effects: Modern Approaches
条件边际效应估计的实用指南：现代方法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：摘要直接研究治疗效应如何随调节变量变化，并讨论因果识别与效应估计方法。
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
条件边际效应估计的实用指南：现代方法
- 研究问题
- 如何估计治疗效应随调节变量变化的条件边际效应，并应对传统线性交互模型中目标不清、重叠不足和函数形式限制？
- 方法与思路
- 作者先定义目标量与识别结果，再讨论半参数核估计、结合 Lasso 的增广逆概率加权及双重机器学习，并以模拟和实例比较。
- 材料陈述的贡献
- 摘要称，指南改进既有方案、介绍稳健估计策略，并按样本量和研究情境提供建议；相关工具实现于 R 的 interflex 包。
- 阅读关注点
- 应核对条件边际效应的定义、识别与重叠要求、核方法和机器学习程序的推断条件，以及实践建议所依赖的模拟场景。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要虽称其为 Element，仍不能确认出版状态，也未说明比较结果与完整假设。
原文摘要
This Element offers a practical guide to estimating conditional marginal effects-how treatment effects vary with a moderating variable-using modern statistical methods. Commonly used approaches, such as linear interaction models, often suffer from unclarified estimands, limited overlap, and restrictive functional forms. This guide begins by clearly defining the estimand and presenting the main identification results. It then reviews and improves upon existing solutions, such as the semiparametric kernel estimator, and introduces robust estimation strategies, including augmented inverse propensity score weighting with Lasso selection (AIPW-Lasso) and double machine learning (DML) with modern algorithms. Each method is evaluated through simulations and empirical examples, with practical recommendations tailored to sample size and research context. All tools are implemented in the accompanying \texttt{interflex} package for \texttt{R}.