High-dimensional Inference for Dynamic Treatment Effects
高维动态处理效应的统计推断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。
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：摘要直接研究高维混杂下的动态处理效应及双重稳健估计，因果推断依据明确，但未提供足够依据另列面板或结构估计。
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…
关注这篇论文的作者
高维动态处理效应的统计推断
- 研究问题
- 在存在高维混杂变量的序贯处理情境中，如何估计动态处理效应，并在部分辅助模型设定正确时保持一致性与有效推断？
- 方法与思路
- 作者为中间条件结果模型提出新的双重稳健表示，并围绕各处理时点和处理路径的辅助函数设定建立估计与推断结果。
- 材料陈述的贡献
- 摘要称，每个处理时点及路径至少有一个辅助函数适当参数化时可获得一致性，并报告更强稳健性保证及模拟和真实数据应用。
- 阅读关注点
- 应核对动态效应的定义、序贯识别条件、辅助模型正确设定的组合要求，以及高维误差控制与推断结论所需条件。
- 阅读边界
- 这是 arXiv 预印本，未核实同行评审或期刊接收。摘要未说明具体识别假设、维度增长条件和比较结果，不能据此确认普遍优势。
原文摘要
Estimating dynamic treatment effects is a crucial endeavor in causal inference, particularly when confronted with high-dimensional confounders. Doubly robust (DR) approaches have emerged as promising tools for estimating treatment effects due to their flexibility. However, we showcase that the traditional DR approaches that only focus on the DR representation of the expected outcomes may fall short of delivering optimal results. In this paper, we propose a novel DR representation for intermediate conditional outcome models that leads to superior robustness guarantees. The proposed method achieves consistency even with high-dimensional confounders, as long as at least one nuisance function is appropriately parametrized for each exposure time and treatment path. Our results represent a significant step forward as they provide new robustness guarantees. The key to achieving these results is our new DR representation, which offers superior inferential performance while requiring weaker assumptions. Lastly, we confirm our findings in practice through simulations and a real data application.