Benchmarking Estimators for Natural Experiments: A Novel Dataset and a Doubly Robust Algorithm
自然实验估计器的基准评测：新数据集与双重稳健算法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：摘要明确比较自然实验中的处理效应估计器，并围绕双重稳健因果估计构建基准和改进算法，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…
关注这篇论文的作者
自然实验估计器的基准评测：新数据集与双重稳健算法
- 研究问题
- 同一自然实验使用多种处理效应估计器却得到不一致结果时，如何建立可评价估计准确性的基准，并据此改进双重稳健估计？
- 方法与思路
- 作者基于幼儿识字非营利组织数据构造专家指导的合成结果基准，改变样本量等条件，并从样本分割估计器的方差表达式设计新损失函数。
- 材料陈述的贡献
- 摘要称，双重稳健估计器在该基准中总体表现较好；作者推导相关方差闭式表达式，提出新估计器，并发布模块化数据与评测包。
- 阅读关注点
- 应核对自然实验的识别依据、合成结果如何生成、比较方法是否公平调参，以及方差公式和新损失函数依赖的条件与目标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要中的性能优势来自特定合成基准，不能据此确定组织真实效果或普遍最优估计器。
原文摘要
Estimating the effect of treatments from natural experiments, where treatments are pre-assigned, is an important and well-studied problem. We introduce a novel natural experiment dataset obtained from an early childhood literacy nonprofit. Surprisingly, applying over 20 established estimators to the dataset produces inconsistent results in evaluating the nonprofit's efficacy. To address this, we create a benchmark to evaluate estimator accuracy using synthetic outcomes, whose design was guided by domain experts. The benchmark extensively explores performance as real world conditions like sample size, treatment correlation, and propensity score accuracy vary. Based on our benchmark, we observe that the class of doubly robust treatment effect estimators, which are based on simple and intuitive regression adjustment, generally outperform other more complicated estimators by orders of magnitude. To better support our theoretical understanding of doubly robust estimators, we derive a closed form expression for the variance of any such estimator that uses dataset splitting to obtain an unbiased estimate. This expression motivates the design of a new doubly robust estimator that uses a novel loss function when fitting functions for regression adjustment. We release the dataset and benchmark in a Python package; the package is built in a modular way to facilitate new datasets and estimators.