.png){kind=icon}
返回
Causal Inference in High-dimensional Generalized Linear Models with Binary Outcomes
.png){kind=icon}
PRE
AI
DOI：10.1093/ectj/utag012.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种用于高维广义线性模型中二元结局和一般连接函数的因果效应去偏估计量。该估计量通过基于单次凸优化的权重计算来增强正则化回归插值，这些权重近似平衡连接函数导数加权的协变量并控制方差；它不依赖于估计的倾向得分。在标准条件下，该估计量对于稠密线性对比和因果参数是$\sqrt{n}$-一致的且渐近正态。模拟结果表明，与逆倾向得分估计量和双重机器学习估计量等替代方法相比，本方法在有限样本中表现更优。在一个关于国家支持工作培训数据的实际应用中，我们的估计值和置信区间接近实验基准。
Keyword:
causal inference
high-dimensional generalized linear models
binary outcomes
debiased estimator
asymptotic normality
