Rank-based Model Average Estimator for Average Treatment Effects
基于秩的模型平均估计量用于平均处理效应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：摘要以平均处理效应（ATE）的估计与置信区间为核心，属于因果推断主题，故选择因果推断这一细分方向。
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
基于秩的模型平均估计量用于平均处理效应
- 研究问题
- 摘要称，模型平均在生物统计与经济学中应用广泛，但用于因果推断的实践有限；本文关注如何用模型平均方法估计平均处理效应（ATE），以兼顾稳健性与模型设定风险。
- 方法与思路
- 作者提出稳健秩基模型平均（RRMA）：先由一系列候选模型得到稳健的秩基估计量，再对其加权组合；权重通过增长窗口交叉验证选取，动态调整各候选模型的重要性。摘要称理论上建立了渐近最优性、一致性与渐近分布，并据此构造 ATE 的置信区间。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出 RRMA 以估计 ATE，声称对离群值与重尾误差分布稳健，能降低模型误设风险并提升估计灵活性与精度；给出渐近最优性、一致性和渐近分布等理论结果，以及易于实施的置信区间；模拟实验与一个实证应用显示其在估计精度、覆盖概率与置信区间宽度上优于现有竞争者。
- 阅读关注点
- 阅读全文时应核对：候选模型集合如何设定、秩基估计量的具体构造、增长窗口交叉验证的窗口与权重计算细节、渐近最优性所依赖的识别与正则条件、置信区间的实际覆盖表现，以及模拟与实证中比较对象和数据来源是否支持摘要中的优越性表述。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、模拟设计与实证数据的具体内容，也无法核实 RRMA 相对竞争者的优势是否稳健。该来源为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或获得学术认可。
原文摘要
Model averaging emerges as an attractive ensemble technique that strategically synthesizes all available information from potential candidate models to enhance estimation accuracy. Despite of having been widely practiced in various areas in biostatistics and economics, its application to causal inference is rather limited. We propose to estimate the average treatment effect (ATE) by forming the weighted combination of the robust rank-based estimators obtained from a series of candidate models, where the model weights, selected via the growing window cross-validation, dynamically adjust the importance of candidate models. The proposed robust rank-based model averaging ({\sf RRMA}) is not only robust to handle potential outliers and heavy-tailed error distributions but also capable to reduce the risk of model mis-specification and enhance the flexibility and the accuracy of estimation. Theoretically, we establish the desirable asymptotic properties of {\sf RRMA}, including the asymptotic optimality, consistency and asymptotic distribution. Moreover, motivated by the asymptotic distribution of {\sf RRMA}, an easy-to-implement confidence interval is also developed for the ATE. Simulation experiments and an empirical application demonstrate the superiority of {\sf RRMA} over existing competitors in estimation accuracy, coverage probabilities and widths of confidence intervals.