Residualised Treatment Intensity and the Estimation of Average Partial Effects
残差化处理强度与平均偏效应估计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。
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：摘要围绕连续处理的混杂、平均偏效应识别以及因果机器学习的估计目标展开，直接对应因果推断方向。
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
残差化处理强度与平均偏效应估计
- 研究问题
- 当连续处理受到未知非线性、非加性混杂影响时，如何识别和估计平均偏效应，并厘清双重机器学习何时估计该目标？
- 方法与思路
- 作者提出 R-OLS，利用处理中的外生误差成分和灵活的处理—混杂关系推广 Stein 引理，并通过 OLS 目标分解解释识别。
- 材料陈述的贡献
- 摘要称给出 R-OLS 的识别结果与双重机器学习一致估计平均偏效应的条件，并报告模拟比较及适度假设违背下的表现。
- 阅读关注点
- 应核对外生误差与广义 Stein 恒等式的具体条件、平均偏效应的定义，以及 R-OLS 和双重机器学习目标一致的范围。
- 阅读边界
- 这是 arXiv 预印本摘要，不能据此认定同行评审或期刊接收；摘要未列明识别条件、违背程度及数值结果，不能认定普遍稳健。
原文摘要
This paper introduces R-OLS, an estimator for the average partial effect (APE) of a continuous treatment variable on an outcome variable in the presence of non-linear and non-additively separable confounding of unknown form. Identification of the APE is achieved by generalising Stein's Lemma (Stein, 1981), leveraging an exogenous error component in the treatment along with a flexible functional relationship between the treatment and the confounders. The identification results for R-OLS are used to characterize the properties of Double/Debiased Machine Learning (Chernozhukov et al., 2018), specifying the conditions under which the APE is estimated consistently. A novel decomposition of the ordinary least squares estimand provides intuition for these results. Monte Carlo simulations demonstrate that the proposed estimator outperforms existing methods, delivering accurate estimates of the true APE and exhibiting robustness to moderate violations of its underlying assumptions. The methodology is further illustrated through an empirical application to Fetzer (2019).