Mostly harmless simulations? Using Monte Carlo studies for estimator selection
大多无害的模拟？用蒙特卡洛研究选择估计量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：摘要明确围绕无混杂假设下的处理效应估计量选择，比较模拟对因果估计偏差和均方误差的判断能力，因此归入因果推断。
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…
大多无害的模拟？用蒙特卡洛研究选择估计量
- 研究问题
- 在无混杂假设下，基于经验数据设计的蒙特卡洛研究能否可靠选择处理效应估计量，绝对偏差与均方误差标准会如何影响选择？
- 方法与思路
- 作者理论评估两种模拟设计建议，并在估计量表现已知的真实场景中检验选择效果，分别比较绝对偏差、均方误差与简单bootstrap基准。
- 材料陈述的贡献
- 摘要称两种方法通常难提供有效信息；应用中按绝对偏差选择劣于随机，按均方误差选择有所改善，但简单bootstrap至少同样好。
- 阅读关注点
- 核对两种模拟设计如何逼近真实数据生成过程、理论限制条件及已知估计量表现的建立方式，并区分绝对偏差与均方误差的选择目标。
- 阅读边界
- 摘要未说明两种设计的具体限制条件及真实场景中已知表现的来源；该场景的比较不能推广至所有处理效应估计问题。
原文摘要
Summary We consider two recent suggestions for how to perform an empirically motivated Monte Carlo study to help select a treatment effect estimator under unconfoundedness. We show theoretically that neither is likely to be informative except under restrictive conditions that are unlikely to be satisfied in many contexts. To test empirical relevance, we also apply the approaches to a real‐world setting where estimator performance is known. Both approaches are worse than random at selecting estimators that minimize absolute bias. They are better when selecting estimators that minimize mean squared error. However, using a simple bootstrap is at least as good and often better. For now, researchers would be best advised to use a range of estimators and compare estimates for robustness.