Why Is the Double-Robust Estimator for Causal Inference Not Doubly Robust for Variance Estimation?
为何因果推断的双重稳健估计量在方差估计上并非双重稳健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：摘要明确研究平均因果效应的双重稳健估计、倾向得分与结果回归错设下的推断问题。
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…
为何因果推断的双重稳健估计量在方差估计上并非双重稳健
- 研究问题
- 为什么平均因果效应点估计的双重稳健性未必延伸到影响函数方差估计，干扰模型错设时又如何获得有效统计推断？
- 方法与思路
- 作者发展有关双重稳健估计量效率性质的形式理论，并提出包含样本分割、交叉拟合的混合框架，以模拟和真实研究数据说明。
- 材料陈述的贡献
- 摘要称，理论解释了所讨论的影响函数方差估计在模型错设下的失效，并探索能够在干扰参数错设时实现有效推断的替代策略。
- 阅读关注点
- 核对讨论的是哪类双重稳健估计量与方差公式，以及替代策略所需的模型正确性、估计速率和样本分割条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出理论条件，不能推广为所有影响函数方差估计均需两模型正确。
原文摘要
Doubly robust estimators (DRE) are widely used in causal inference because they yield consistent estimators of average causal effect when at least one of the nuisance models, the propensity for treatment (exposure) or the outcome regression, is correct. However, double robustness does not extend to variance estimation; the influence-function (IF)-based variance estimator is consistent only when both nuisance parameters are correct. This raises concerns about applying DRE in practice, where model misspecification is inevitable. The recent paper by Shook-Sa et al. (2025, Biometrics, 81(2), ujaf054) demonstrated through Monte Carlo simulations that the IF-based variance estimator is biased. However, the paper's findings are empirical. The key question remains: why does the variance estimator fail in double robustness, and under what conditions do alternatives succeed, such as the ones demonstrated in Shook-Sa et al. 2025. In this paper, we develop a formal theory to clarify the efficiency properties of DRE that underlie these empirical findings. We also introduce alternative strategies, including a mixture-based framework underlying the sample-splitting and crossfitting approaches, to achieve valid inference with misspecified nuisance parameters. Our considerations are illustrated with simulation and real study data.