Model averaging in semiparametric estimation of treatment effects
处理效应半参数估计中的模型平均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：摘要明确研究倾向得分加权的处理组平均处理效应及政策项目评价。
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
处理效应半参数估计中的模型平均
- 研究问题
- 估计处理组平均处理效应时，如何应对倾向得分协变量与函数形式的设定不确定性，并选择候选估计量的平均权重？
- 方法与思路
- 作者在局部渐近框架中最小化估计均方误差，将模型平均写成极限实验中的决策问题，并针对给定先验推导贝叶斯最优平均方案。
- 材料陈述的贡献
- 摘要称，平均估计量在贝叶斯渐近均方误差上优于模型选择和各候选模型估计量，并以模拟及劳动力市场项目评价展示效果。
- 阅读关注点
- 应核对处理效应识别条件、候选设定和局部误设框架，并查看先验、权重估计及贝叶斯渐近风险比较如何对应实际样本。
- 阅读边界
- 仅据所给出版社摘要；所述优势限定于给定先验下的贝叶斯渐近均方误差，不能解释为所有样本、先验或数据生成过程下更优。
原文摘要
Choosing the covariates and functional form of the propensity score is an important choice for estimating treatment effects. This paper proposes a data-driven way of averaging the estimators over candidate specifications to resolve the specification uncertainty in the propensity score weighting estimation of the ATT. The proposed procedures minimize the estimated MSE of the ATT estimator in a local asymptotic framework. We formulate model averaging as a statistical decision problem in a limit experiment, and derive an averaging scheme that is Bayes optimal with respect to a given prior. The averaging estimator outperforms selection estimators and the estimators in any of the candidate models in terms of Bayes asymptotic MSE. Our Monte Carlo studies illustrate the size of the MSE gains. We apply the averaging procedure to evaluate the effect of a labor market program.