Doubly robust causal inference through penalized bias-reduced estimation: combining non-probability samples with designed surveys
惩罚化偏差缩减的双重稳健因果推断：融合非概率样本与设计调查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：摘要直接研究样本选择偏差下的平均处理效应与双重稳健推断，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…
惩罚化偏差缩减的双重稳健因果推断：融合非概率样本与设计调查
- 研究问题
- 如何融合非概率样本与外部概率调查，在选择偏差和较高维协变量并存时，估计目标总体的平均处理效应并开展推断？
- 方法与思路
- 作者最小化双重稳健估计量渐近偏差的平方，构造惩罚估计方程，形成一步代入估计量，并提供一致方差估计。
- 材料陈述的贡献
- 摘要称方法在结局模型正确，或选择与处理模型正确时具有双重稳健性，并支持惩罚估计下的推断及电子健康记录融合应用。
- 阅读关注点
- 应核对目标总体与调查设计、三类模型的正确性组合，以及维数和惩罚条件如何允许推断忽略干扰参数估计变异。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收。摘要未说明维数增长、样本融合识别及方差估计成立的具体条件。
原文摘要
Causal inference on the average treatment effect (ATE) using non-probability samples, such as electronic health records (EHR), faces challenges from sample selection bias and high-dimensional covariates. This requires considering a selection model alongside treatment and outcome models that are typical ingredients in causal inference. This paper considers integrating large non-probability samples with external probability samples from a design survey, addressing moderately high-dimensional confounders and variables that influence selection. In contrast to the two-step approach that separates variable selection and debiased estimation, we propose a one-step plug-in doubly robust (DR) estimator of the ATE. We construct a novel penalized estimating equation by minimizing the squared asymptotic bias of the DR estimator. Our approach facilitates ATE inference in high-dimensional settings by ignoring the variability in estimating nuisance parameters, which is not guaranteed in conventional likelihood approaches with non-differentiable L1-type penalties. We provide a consistent variance estimator for the DR estimator. Simulation studies demonstrate the double robustness of our estimator under misspecification of either the outcome model or the selection and treatment models, as well as the validity of statistical inference under penalized estimation. We apply our method to integrate EHR data from the Michigan Genomics Initiative with an external probability sample.