Causal Inference in High-Dimensional Generalized Linear Models with Binary Outcomes
二元结果高维广义线性模型中的因果推断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：摘要直接研究二元结果高维模型中的因果效应估计与推断。
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
二元结果高维广义线性模型中的因果推断
- 研究问题
- 在二元结果、高维协变量及一般连接函数下，如何校正正则化回归的偏差，并对因果效应与稠密线性对比开展有效推断？
- 方法与思路
- 作者提出去偏估计量，通过凸优化计算权重，近似平衡连接函数导数加权的协变量并控制方差，不依赖估计的倾向得分。
- 材料陈述的贡献
- 摘要称该估计量在所需条件下具有根号样本量一致性与渐近正态性；模拟表现优于所列替代方法，培训数据结果接近实验基准。
- 阅读关注点
- 应核对因果识别条件、高维复杂度限制、连接函数要求及权重优化的可行性，并检查有限样本比较和置信区间构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体识别与正则条件，所述模拟优势不能外推至所有场景。
原文摘要
This paper proposes a debiased estimator for causal effects in high-dimensional generalized linear models with binary outcomes and general link functions. The estimator augments a regularized regression plug-in with weights computed from a convex optimization problem that approximately balances link-derivative-weighted covariates and controls variance; it does not rely on estimated propensity scores. Under standard conditions, the estimator is $\sqrt{n}$-consistent and asymptotically normal for dense linear contrasts and causal parameters. Simulation results show the superior performance of our approach in comparison to alternatives such as inverse propensity score estimators and double machine learning estimators in finite samples. In an application to the National Supported Work training data, our estimates and confidence intervals are close to the experimental benchmark.