Inference of Heterogeneous Treatment Effects using Observational Data with High-Dimensional Covariates
高维协变量观测数据中的异质性处理效应推断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：摘要直接研究工具变量识别、服从者子群及异质性局部处理效应推断。
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…
关注这篇论文的作者
高维协变量观测数据中的异质性处理效应推断
- 研究问题
- 研究在不采用强可忽略性假设的观测数据中，如何借助二元工具变量识别并推断高维协变量条件下的异质性局部处理效应。
- 方法与思路
- 作者在服从者子群上定义目标，构造两阶段广义线性模型的非凸 Lasso 估计，并以去偏估计量建立条件效应置信区间。
- 材料陈述的贡献
- 摘要称该方法同时校正两个阶段的高维估计偏差，并通过模拟与俄勒冈健康保险实验数据分析展示程序的可行性。
- 阅读关注点
- 应核对工具变量识别条件、服从者条件效应的定义、非凸优化的求解保证，以及两阶段去偏和置信区间的理论条件。
- 阅读边界
- 仅据所给 Crossref 摘要；不采用强可忽略性并不免除其他识别条件，摘要未说明工具变量假设、稀疏性要求或具体模拟表现。
原文摘要
Abstract This study proposes novel estimation and inference approaches for heterogeneous local treatment effects using high-dimensional covariates and observational data without a strong ignorability assumption. To achieve this, with a binary instrumental variable, the parameters of interest are identified on an unobservable subgroup of the population (compliers). Lasso estimation under a non-convex objective function is developed for a two-stage generalized linear model, and a debiased estimator is proposed to construct confidence intervals for treatment effects conditioned on covariates. Notably, this approach simultaneously corrects the biases due to high-dimensional estimation at both stages. The finite sample performance is evaluated via simulation studies, and real data analysis is performed on the Oregon Health Insurance Experiment to illustrate the feasibility of the proposed procedure.