Calibrating doubly-robust estimators with unbalanced treatment assignment
处理分配不平衡下双重稳健估计量的校准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：摘要明确以平均处理效应、倾向得分和双重机器学习为研究对象。
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
处理分配不平衡下双重稳健估计量的校准
- 研究问题
- 当处理组观测很少、倾向得分估计不稳定时，如何改进平均处理效应的双重机器学习估计，同时保留原有渐近性质？
- 方法与思路
- 作者在倾向得分建模阶段对数据进行欠采样，再将所得得分校准至原始处理分配分布，以此构造 DML 估计量的扩展。
- 材料陈述的贡献
- 摘要称该扩展具有简单实施形式，并以理论结果说明其保留 DML 的渐近性质；模拟研究用于展示有限样本表现。
- 阅读关注点
- 应核对欠采样规则、校准公式、样本划分方式，以及保留渐近性质所需的重叠条件、学习误差条件和处理组规模限制。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明理论条件和模拟数值，也未证明校准能解决重叠不足。
原文摘要
Machine learning methods, particularly the double machine learning (DML) estimator (Chernozhukov et al., 2018), are increasingly popular for the estimation of the average treatment effect (ATE). However, datasets often exhibit unbalanced treatment assignments where only a few observations are treated, leading to unstable propensity score estimations. We propose a simple extension of the DML estimator which undersamples data for propensity score modeling and calibrates scores to match the original distribution. The paper provides theoretical results showing that the estimator retains the DML estimator's asymptotic properties. A simulation study illustrates the finite sample performance of the estimator.