A Causal Bootstrap
因果自助法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：摘要围绕因果目标量与随机处理分配引起的不确定性构造推断程序，属于因果推断中的不确定性评估。
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
因果自助法
- 研究问题
- 研究因果目标量的不确定性来自随机处理分配时，如何构造能够反映这种来源的方差估计与置信区间程序。
- 方法与思路
- 作者区分抽样不确定性与处理分配不确定性，提出计入处理随机性的自助程序，并比较其与经典自助法的性质。
- 材料陈述的贡献
- 摘要明确提出一种针对因果估计不确定性的自助方法，并强调仅以经验分布近似抽样过程可能未覆盖相关来源。
- 阅读关注点
- 应核对采用何种随机化或抽样框架、如何实施重抽样，以及新旧自助法在方差估计和区间覆盖上的比较依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明重抽样步骤、有效性条件或具体比较结论。
原文摘要
The bootstrap, introduced by Efron (1982), has become a very popular method for estimating variances and constructing confidence intervals. A key insight is that one can approximate the properties of estimators by using the empirical distribution function of the sample as an approximation for the true distribution function. This approach views the uncertainty in the estimator as coming exclusively from sampling uncertainty. We argue that for causal estimands the uncertainty arises entirely, or partially, from a different source, corresponding to the stochastic nature of the treatment received. We develop a bootstrap procedure that accounts for this uncertainty, and compare its properties to that of the classical bootstrap.