A Sensitivity Approach to Causal Inference Under Limited Overlap
有限重叠下因果推断的敏感性方法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：摘要直接研究观察性处理效应分析中的有限重叠、权重修剪偏差和反事实外推，明确属于因果推断。
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…
有限重叠下因果推断的敏感性方法
- 研究问题
- 处理组与对照组重叠不足时，修剪权重引入的偏差有多大，结果函数需要多不规则才会推翻主要研究结论？
- 方法与思路
- 作者在从重叠区域向非重叠区域外推所需的显式假设下，为修剪偏差构造最坏情形置信界，并据此开展敏感性分析。
- 材料陈述的贡献
- 摘要称，该框架通过量化有限重叠区域中的不确定性，帮助识别可能的虚假结论，并解释修剪后发现的稳健程度。
- 阅读关注点
- 应核对结果函数不规则性的度量、外推假设、修剪规则与目标效应之间的关系，以及最坏情形置信界的构造。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明具体外推条件和敏感性参数，不能据此判断某项结论是否稳健。
原文摘要
Limited overlap between treated and control groups is a key challenge in observational analysis. Standard approaches like trimming importance weights can reduce variance but introduce a fundamental bias. We propose a sensitivity framework for contextualizing findings under limited overlap, where we assess how irregular the outcome function has to be in order for the main finding to be invalidated. Our approach is based on worst-case confidence bounds on the bias introduced by standard trimming practices, under explicit assumptions necessary to extrapolate counterfactual estimates from regions of overlap to those without. Empirically, we demonstrate how our sensitivity framework protects against spurious findings by quantifying uncertainty in regions with limited overlap.