Efficient estimation of average treatment effects with unmeasured confounding and proxies
利用代理变量高效估计存在未测混杂的平均处理效应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。
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：摘要直接研究未测混杂下平均处理效应的识别与估计，并以代理变量和桥函数构建近端因果推断方法。
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
利用代理变量高效估计存在未测混杂的平均处理效应
- 研究问题
- 存在未测混杂时，如何利用结果代理与处理代理估计平均处理效应，并减少桥函数估计及分步代入带来的效率损失？
- 方法与思路
- 作者提出以逐渐增加的矩条件近似桥函数满足的积分方程，联合估计桥函数与平均处理效应，并数据驱动地选择矩条件数量。
- 材料陈述的贡献
- 摘要称，该估计量在适当条件下具有效率性质；模拟显示有限样本表现良好，并以 SUPPORT 研究的右心导管数据展示应用。
- 阅读关注点
- 应核对代理变量与桥函数的识别条件、矩条件数量的增长限制、联合估计的效率界，以及调参规则如何影响推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实；摘要未说明具体识别与效率条件，也未提供模拟及应用的数值结果。
原文摘要
Proximal causal inference provides a framework for estimating the average treatment effect (ATE) in the presence of unmeasured confounding by leveraging outcome and treatment proxies. Identification in this framework relies on the existence of a so-called bridge function. Standard approaches typically postulate a parametric specification for the bridge function, which is estimated in a first step and then plugged into an ATE estimator. However, this sequential procedure suffers from two potential sources of efficiency loss: (i) the difficulty of efficiently estimating a bridge function defined by an integral equation, and (ii) the failure to account for the correlation between the estimation steps. To overcome these limitations, we propose a novel approach that approximates the integral equation with increasing moment restrictions and jointly estimates the bridge function and the ATE. We show that, under suitable conditions, our estimator is efficient. Additionally, we provide a data-driven procedure for selecting the tuning parameter (i.e., the number of moment restrictions). Simulation studies reveal that the proposed method performs well in finite samples, and an application to the right heart catheterization dataset from the SUPPORT study demonstrates its practical value.