Inference for treatment effect parameters in potentially misspecified high-dimensional models
可能误设的高维模型中处理效应参数的推断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：摘要以观察性研究的混杂调整和条件处理效应置信区间为核心，因果推断依据明确；纵向扩展不足以单独认定面板方向。
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
可能误设的高维模型中处理效应参数的推断
- 研究问题
- 观察性研究中协变量高维、结果模型可能误设时，如何避免直接使用稀疏估计量造成的推断失效，构造一致有效的效应区间？
- 方法与思路
- 作者在结果模型之外引入处理选择机制模型，构造条件处理效应置信区间，并将程序扩展到多维效应参数及复杂纵向设置。
- 材料陈述的贡献
- 摘要称区间在结果模型可能误设时仍具一致有效性；当两类模型均正确设定时，还可弱化通常的模型稀疏性条件。
- 阅读关注点
- 应核对条件效应参数的定义、处理选择模型需要满足什么条件、一致有效性的参数空间，以及两模型正确时稀疏条件的变化。
- 阅读边界
- 仅据所给 Crossref 摘要；处理选择模型的必要条件与误设下的目标参数未说明，不能理解为两模型任意误设仍有效，也不能推断其他版本变化。
原文摘要
Summary Eliminating the effect of confounding in observational studies typically involves fitting a model for an outcome adjusted for covariates. When, as often, these covariates are high-dimensional, this necessitates the use of sparse estimators, such as the lasso, or other regularization approaches. Naïve use of such estimators yields confidence intervals for the conditional treatment effect parameter that are not uniformly valid. Moreover, as the number of covariates grows with the sample size, correctly specifying a model for the outcome is nontrivial. In this article we deal with both of these concerns simultaneously, obtaining confidence intervals for conditional treatment effects that are uniformly valid, regardless of whether the outcome model is correct. This is done by incorporating an additional model for the treatment selection mechanism. When both models are correctly specified, we can weaken the standard conditions on model sparsity. Our procedure extends to multivariate treatment effect parameters and complex longitudinal settings.