Doubly-Robust Inference for Conditional Average Treatment Effects with High-Dimensional Controls
高维控制变量下条件平均处理效应的双重稳健推断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：摘要明确研究高维混杂控制下的条件平均处理效应及双重稳健置信区间。
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
高维控制变量下条件平均处理效应的双重稳健推断
- 研究问题
- 控制大量潜在混杂变量时，如何使条件平均处理效应的置信区间也具有双重稳健性，而不仅是保证点估计的稳健性？
- 方法与思路
- 作者基于增广逆倾向加权信号构造估计量，以逻辑倾向得分模型和线性结果模型处理第一阶段，并使用 Lasso 估计高维参数。
- 材料陈述的贡献
- 摘要称在相应条件下，即使两类模型之一误设，估计量仍以非参数速率一致，逐点及一致置信区间仍具有渐近有效性。
- 阅读关注点
- 应核对至少一个模型正确时所需的稀疏性与收敛条件、第二阶段非参数估计方式，以及逐点和一致推断所要求的额外限制。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出具体正则条件，不能推断两个第一阶段模型同时误设时仍有效。
原文摘要
Plausible identification of conditional average treatment effects (CATEs) may rely on controlling for a large number of variables to account for confounding factors. In these high-dimensional settings, estimation of the CATE requires estimating first-stage models whose consistency relies on correctly specifying their parametric forms. While doubly-robust estimators of the CATE exist, inference procedures based on the second stage CATE estimator are not doubly-robust. Using the popular augmented inverse propensity weighting signal, we propose an estimator for the CATE whose resulting Wald-type confidence intervals are doubly-robust. We assume a logistic model for the propensity score and a linear model for the outcome regression, and estimate the parameters of these models using an $\ell_1$ (Lasso) penalty to address the high dimensional covariates. Our proposed estimator remains consistent at the nonparametric rate and our proposed pointwise and uniform confidence intervals remain asymptotically valid even if one of the logistic propensity score or linear outcome regression models are misspecified. These results are obtained under similar conditions to existing analyses in the high-dimensional and nonparametric literatures.