Debiased inference on heterogeneous quantile treatment effects with regression rank scores
基于回归秩得分的异质分位数处理效应去偏推断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：摘要明确以异质分位数处理效应为推断对象，并结合高维回归调整与去偏方法，直接对应因果推断和分位数与分布效应。
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
基于回归秩得分的异质分位数处理效应去偏推断
- 研究问题
- 存在高维协变量时，如何对异质分位数处理效应进行推断，并通过分位数框架刻画同一处理对不同个体影响的差异？
- 方法与思路
- 作者将 ℓ1 惩罚回归调整与基于秩得分的分位数特定偏差校正结合，研究估计处理效应过程的弱收敛及半参数效率。
- 材料陈述的贡献
- 摘要称，文章提出新的高维异质分位数处理效应推断方法并研究理论性质；模拟及 UK Biobank 中他汀使用与胆固醇的实例展示表现。
- 阅读关注点
- 应核对处理效应的定义与识别假设、高维稀疏条件、秩得分去偏步骤，以及过程推断和效率结论成立的范围与应用设计。
- 阅读边界
- 仅据所给 Crossref 摘要；因果识别条件、效率成立条件与应用结果未说明，不能仅凭实例将他汀使用和胆固醇差异确认为因果关系。
原文摘要
Abstract Understanding treatment effect heterogeneity is vital to many scientific fields because the same treatment may affect different individuals differently. Quantile regression provides a natural framework for modelling such heterogeneity. We propose a new method for inference on heterogeneous quantile treatment effects (HQTE) in the presence of high-dimensional covariates. Our estimator combines an ℓ1-penalised regression adjustment with a quantile-specific bias correction scheme based on rank scores. We study the theoretical properties of this estimator, including weak convergence and semi-parametric efficiency of the estimated HQTE process. We illustrate the finite-sample performance of our approach through simulations and an empirical example, dealing with the differential effect of statin usage for lowering low-density lipoprotein cholesterol levels for the Alzheimer’s disease patients who participated in the UK Biobank study.