Stabilized Inverse Probability Weighting via Isotonic Calibration
通过保序校准稳定逆概率权重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：摘要直接研究倾向得分逆概率加权、混杂调整及平均处理效应的双重稳健估计，属于因果推断。
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…
通过保序校准稳定逆概率权重
- 研究问题
- 当处理组与对照组重叠有限、倾向得分取倒数导致大权重时，如何通过事后校准稳定权重，并改善平均处理效应估计？
- 方法与思路
- 作者以用户提供的交叉拟合倾向得分为输入，采用针对逆倾向权重设计损失函数的保序回归变体，生成校准且稳定的权重。
- 材料陈述的贡献
- 摘要称，该保序校准算法能够改善平均处理效应双重稳健估计量的表现，并通过理论分析与实证研究支持这一结论。
- 阅读关注点
- 应核对校准目标、损失函数和交叉拟合流程，以及理论中的重叠与收敛条件，特别是稳定权重如何影响偏误、方差和双重稳健性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验。摘要未说明改善的具体条件和幅度，也不足以证明校准能解决重叠缺失造成的识别问题。
原文摘要
Inverse weighting with an estimated propensity score is widely used by estimation methods in causal inference to adjust for confounding bias. However, directly inverting propensity score estimates can lead to instability, bias, and excessive variability due to large inverse weights, especially when treatment overlap is limited. In this work, we propose a post-hoc calibration algorithm for inverse propensity weights that generates well-calibrated, stabilized weights from user-supplied, cross-fitted propensity score estimates. Our approach employs a variant of isotonic regression with a loss function specifically tailored to the inverse propensity weights. Through theoretical analysis and empirical studies, we demonstrate that isotonic calibration improves the performance of doubly robust estimators of the average treatment effect.