Doubly Robust Estimators with Weak Overlap
弱重叠条件下的双重稳健估计量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。
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：摘要明确讨论因果目标、倾向得分、双重稳健性，并覆盖无混杂、工具变量和双重差分等因果识别设计。
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…
弱重叠条件下的双重稳健估计量
- 研究问题
- 协变量重叠较弱时，如何通过倾向得分修剪降低方差，同时保留双重稳健性和原本希望估计的因果目标？
- 方法与思路
- 作者在倾向得分修剪后加入偏差校正，构造双重稳健估计量，覆盖无混杂、工具变量及双重差分设计。
- 材料陈述的贡献
- 摘要称直接修剪会破坏双重稳健性，提出的校正可恢复该性质并保留原目标，且四项应用获得更精确的估计。
- 阅读关注点
- 应核对各设计的目标参数、修剪阈值、偏差校正所需条件，以及弱重叠程度对一致性和置信区间的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出校正公式或重叠条件，不能推断其适用于完全无重叠。
原文摘要
Doubly robust (DR) estimators guard against model misspecification but remain sensitive to weak covariate overlap. We show that trimming propensity scores reduces variance but eliminates double robustness. We introduce DR estimators that retain double robustness after trimming through bias correction, preserving the original causal targets across unconfoundedness, instrumental variables, and difference-in-differences designs. In four applications, the proposed estimator yields more precise estimates: ruling out large mortality effects of Medicaid expansion, detecting workforce growth from mental health reform, recovering the Black--White test score gap without strong functional form restrictions, and recovering a positive 401(k) savings effect consistent with the prior literature.