Selective Inference in Propensity Score Analysis
倾向得分分析中的选择后推断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。
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：摘要明确讨论倾向得分、混杂变量调整和因果效应模型中的选择后推断，因此最直接对应因果推断方向。
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…
倾向得分分析中的选择后推断
- 研究问题
- 同一份数据既用于选择混杂变量又用于统计推断时，如何在半参数倾向得分分析中，为选中变量的系数构造有效置信区间？
- 方法与思路
- 作者在产生半参数估计量的损失函数中加入 ℓ₁ 惩罚，进行 Lasso 型变量选择，再条件于选择事件构造具有渐近保证的置信区间。
- 材料陈述的贡献
- 摘要称，该方法为选中混杂变量的系数提供选择后推断，且不要求对结局变量的非参数回归函数建模；具体适用条件尚未说明。
- 阅读关注点
- 核对因果效应的线性表示、选择事件的定义及渐近保证所需条件，尤其区分选中混杂变量系数的区间与处理效应本身的区间。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明识别与正则条件，也不能据此判断有限样本覆盖率。
原文摘要
Selective inference (post-selection inference) is a methodology that has attracted much attention in recent years in the fields of statistics and machine learning. Naive inference based on data that are also used for model selection tends to show an overestimation, and so the selective inference conditions the event that the model was selected. In this paper, we develop selective inference in propensity score analysis with a semiparametric approach, which has become a standard tool in causal inference. Specifically, for the most basic causal inference model in which the causal effect can be written as a linear sum of confounding variables, we conduct Lasso-type variable selection by adding an $\ell_1$ penalty term to the loss function that gives a semiparametric estimator. Confidence intervals are then given for the coefficients of the selected confounding variables, conditional on the event of variable selection, with asymptotic guarantees. An important property of this method is that it does not require modeling of nonparametric regression functions for the outcome variables, as is usually the case with semiparametric propensity score analysis.