Debiased Inference on Treatment Effect in a High-Dimensional Model
高维模型中处理效应的去偏推断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。
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：摘要明确以线性和部分线性模型中的处理效应推断为目标，因此归入因果推断方向。
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
高维模型中处理效应的去偏推断
- 研究问题
- 在线性或部分线性模型包含大量协变量时，如何控制过度拟合引发的处理效应推断偏差，并减少去偏带来的效率损失？
- 方法与思路
- 作者通过样本分割消除过度拟合偏差，再对随机分割结果进行平滑以缓解效率损失，并讨论已有去偏方法的偏差方差权衡。
- 材料陈述的贡献
- 摘要称，在适当条件下，所提处理效应估计量具有渐近正态性且方差可估计，并为选择后推断提供改进偏差控制的方案。
- 阅读关注点
- 应核对处理效应的识别条件、过度拟合偏差的来源、随机分割平滑的实现，以及渐近正态性与方差估计所需条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列明识别及高维增长条件，也不足以判断方法在所有场景下的效率优势。
原文摘要
This article concerns the potential bias in statistical inference on treatment effects when a large number of covariates are present in a linear or partially linear model. While the estimation bias in an under-fitted model is well understood, we address a lesser-known bias that arises from an over-fitted model. The over-fitting bias can be eliminated through data splitting at the cost of statistical efficiency, and we show that smoothing over random data splits can be pursued to mitigate the efficiency loss. We also discuss some of the existing methods for debiased inference and provide insights into their intrinsic bias-variance trade-off, which leads to an improvement in bias controls. Under appropriate conditions, we show that the proposed estimators for the treatment effects are asymptotically normal and their variances can be well estimated. We discuss the pros and cons of various methods both theoretically and empirically, and show that the proposed methods are valuable options in post-selection inference. Supplementary materials for this article are available online.