When is the estimated propensity score better? High-dimensional analysis and bias correction
何时估计倾向得分更好？高维分析与偏差校正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：摘要研究观察数据中平均处理效应的倾向得分加权估计及偏差校正。
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…
何时估计倾向得分更好？高维分析与偏差校正
- 研究问题
- 协变量维度随样本量增长时，用估计倾向得分构造 IPW 平均处理效应估计，何时仍比使用真实得分更有效率？
- 方法与思路
- 作者在 logistic 倾向得分模型下进行高维分析，以非渐近误差分解控制高阶项，并构造去偏 IPW 估计量。
- 材料陈述的贡献
- 摘要称原估计的相关保证对应 n ≳ d²，去偏后放宽至 n ≳ d³ᐟ²，保证包括一致性、渐近正态性及较小方差。
- 阅读关注点
- 应核对模型正确设定及其他正则条件、样本量界的精确含义，以及去偏项构造和相对 oracle IPW 的方差比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列全条件，不能仅凭维度关系推断任意观察数据中的优势。
原文摘要
Anecdotally, using an estimated propensity score is superior to the true propensity score in estimating the average treatment effect based on observational data. However, this claim comes with several qualifications: it holds only if propensity score model is correctly specified and the number of covariates $d$ is small relative to the sample size $n$. We revisit this phenomenon by studying the inverse propensity score weighting (IPW) estimator based on a logistic model with a diverging number of covariates. We first show that the IPW estimator based on the estimated propensity score is consistent and asymptotically normal with smaller variance than the oracle IPW estimator (using the true propensity score) if and only if $n \gtrsim d^2$. We then propose a debiased IPW estimator that achieves the same guarantees in the regime $n \gtrsim d^{3/2}$. Our proofs rely on a novel non-asymptotic decomposition of the IPW error along with careful control of the higher order terms.