lmw: Linear Model Weights for Causal Inference
lmw：用于因果推断的线性模型权重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：摘要明确以观察研究的平均治疗效应、回归调整和设计阶段权重诊断为目标，直接支持因果推断分类。
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…
lmw：用于因果推断的线性模型权重
- 研究问题
- 观察研究中的线性回归调整在多大程度上接近随机实验的协变量平衡、代表性和样本权重特征，如何对此进行诊断？
- 方法与思路
- 作者介绍 R 包 lmw，在不使用结局信息的研究设计阶段计算线性模型隐含权重，并提供诊断工具评价回归调整。
- 材料陈述的贡献
- 摘要称，该实现适用于以线性模型调整并估计离散干预平均效应的多种情境，包括工具变量和多值处理，便于检视设计特征。
- 阅读关注点
- 应核对隐含权重与目标平均效应的对应关系、各项诊断的定义、工具变量及多值处理实现，以及异常权重的解释方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明诊断判据或识别假设，权重诊断本身不能确认因果识别成立。
原文摘要
The linear regression model is widely used in the biomedical and social sciences as well as in policy and business research to adjust for covariates and estimate the average effects of treatments. Behind every causal inference endeavor there is a hypothetical randomized experiment. However, in routine regression analyses in observational studies, it is unclear how well the adjustments made by regression approximate key features of randomized experiments, such as covariate balance, study representativeness, sample boundedness, and unweighted sampling. In this paper, we provide software to empirically address this question. We introduce the lmw package for R to compute the implied linear model weights and perform diagnostics for their evaluation. The weights are obtained as part of the design stage of the study; that is, without using outcome information. The implementation is general and applicable, for instance, in settings with instrumental variables and multi-valued treatments; in essence, in any situation where the linear model is the vehicle for adjustment and estimation of average treatment effects with discrete-valued interventions.