How Much Weak Overlap Can Doubly Robust T-Statistics Handle?
双重稳健 t 统计量能够承受多弱的重叠？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：摘要围绕弱重叠下平均处理效应的 AIPW 估计、阈值处理与置信区间展开，因此对应因果推断。
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
双重稳健 t 统计量能够承受多弱的重叠？
- 研究问题
- 当处理组与对照组重叠很弱、常规根号样本量估计和正态近似可能失效时，经过阈值处理的双重稳健估计何时仍能支持可靠的 Wald 推断？
- 方法与思路
- 作者研究使用非参数倾向得分和条件均值估计的阈值化双重稳健估计量，分析重叠强弱、干扰参数收敛率与结局平滑性，并给出实践阈值规则。
- 材料陈述的贡献
- 摘要称，在所需条件下可获得渐近正态和校准的区间；分析揭示弱重叠对收敛率的成本，且应用中保留原平均效应目标的裁剪估计精度接近固定修剪。
- 阅读关注点
- 应核对弱重叠的量化方式、阈值与样本量的关系、有限或无限效率界下的条件，以及裁剪与删除样本如何影响估计目标和标准误。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要报告小样本可能过度拒绝；大样本未拒绝精确覆盖原假设不等于证明精确覆盖，也不意味着恢复根号样本量速率。
原文摘要
In the presence of sufficiently weak overlap, it is known that no regular root-n-consistent estimators exist and standard estimators may fail to be asymptotically normal. This paper shows that a thresholded version of the standard doubly robust estimator is asymptotically normal with well-calibrated Wald confidence intervals even when constructed using nonparametric estimates of the propensity score and conditional mean outcome. The analysis implies a cost of weak overlap in terms of black-box nuisance rates, borne when the semiparametric bound is infinite, and the contribution of outcome smoothness to the outcome regression rate, which is incurred even when the semiparametric bound is finite. As a byproduct of this analysis, I show that under weak overlap, the optimal global regression rate is the same as the optimal pointwise regression rate, without the usual polylogarithmic penalty. The high-level conditions yield new rules of thumb for thresholding in practice. In simulations, thresholded AIPW can exhibit moderate overrejection in small samples, but I am unable to reject a null hypothesis of exact coverage in large samples. In an empirical application, the clipped AIPW estimator that targets the standard average treatment effect yields similar precision to a heuristic 10% fixed-trimming approach that changes the target sample.