Estimating quantile treatments without strict overlap
缺乏严格重叠时的分位数处理效应估计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：摘要明确研究潜在结果框架下的分位数处理效应及弱重叠问题。
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…
缺乏严格重叠时的分位数处理效应估计
- 研究问题
- 当倾向得分可接近零、严格重叠不成立时，如何估计潜在结果分位数及处理效应，并处理极端权重影响？
- 方法与思路
- 作者在倾向得分接近零的正则变动设定下分析重尾分位数目标，提出截断逆概率加权及数据驱动截断选择。
- 材料陈述的贡献
- 摘要称得到无限可分极限分布与依赖尾指数的收敛率，截断方法在所研究缺乏严格重叠的情形中优于标准方法。
- 阅读关注点
- 核对尾指数的定义、因果识别和分位数正则条件，以及截断如何改变偏差、极限分布与实际区间构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；不要求严格重叠不等于允许任意无支持情形，摘要未列完整识别条件。
原文摘要
We consider the problem of estimating quantile treatment effects without assuming strict overlap, i.e., we do not assume that the propensity score is bounded away from zero. More specifically, we consider an inverse probability weighting (IPW) approach for estimating quantiles in the potential outcomes framework and pay special attention to scenarios where the propensity scores can tend to zero as a regularly varying function. Our approach effectively considers a heavy-tailed objective function for estimating the quantile process. We introduce a truncated IPW estimator that is shown to outperform the standard quantile IPW estimator when strict overlap does not hold. We show that the limiting distribution of the estimated quantile process follows an infinitely divisible law and converges at the rate $n^{1-1/γ}$, where $γ>1$ is the tail index of the propensity scores when they tend to zero. We propose a practical, data-driven procedure for selecting the truncation parameter, grounded in our asymptotic theory. The performance of our estimators is illustrated in numerical experiments and in a dataset that exhibits the presence of extreme propensity scores.