Double machine learning for causal inference in a multivariate sample selection model
多变量样本选择模型中的因果推断与双重机器学习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：摘要明确针对 ATE、ATET 和 LATE 构造样本选择调整估计量，核心属于因果推断；有序选择方程在此不构成独立离散选择研究。
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
多变量样本选择模型中的因果推断与双重机器学习
- 研究问题
- 研究存在由有序选择方程描述的多变量样本选择时，如何估计平均处理效应、已处理者平均处理效应及局部平均处理效应。
- 方法与思路
- 作者提出代入估计量与双重机器学习估计量，后者基于有效影响函数并具有双重稳健性，通过模拟比较有限样本表现。
- 材料陈述的贡献
- 摘要称未处理多变量样本选择可能使因果参数估计严重有偏，所提估计量在其模拟分析中能够避免这些偏误。
- 阅读关注点
- 应核对有序选择方程与处理分配的关系、三类效应各自的识别条件，以及双重稳健性对应哪些干扰函数与估计要求。
- 阅读边界
- 这是 arXiv 预印本，无法据此确认同行评审或期刊接收；摘要未列出完整识别条件，模拟中的偏误改善不保证任意选择机制下有效。
原文摘要
We propose plug-in (PI) and double machine learning (DML) estimators of average treatment effect (ATE), average treatment effect on the treated (ATET) and local average treatment effect (LATE) in the multivariate sample selection model with ordinal selection equations. Our DML estimators are doubly-robust and based on the efficient influence functions. Finite sample properties of the proposed estimators are studied and compared on simulated data. Specifically, the results of the analysis suggest that without addressing multivariate sample selection, the estimates of the causal parameters may be highly biased. However, the proposed estimators allow us to avoid these biases.