Doubly Robust Inference in Causal Latent Factor Models

要約

この記事では、多数の単位と結果を特徴とする現代のデータが豊富な環境における、観察されていない交絡下での平均治療効果の新しい推定手段を紹介します。
提案された推定器は、結果補完、逆確率重み付け、および行列を完成させるための新しいクロスフィッティング手順を組み合わせた、二重に堅牢です。
有限サンプルと漸近保証を導出し、新しい推定量の誤差がパラメトリック レートで平均ゼロのガウス分布に収束することを示します。
シミュレーション結果は、この記事で分析した推定量の形式的特性の関連性を示しています。

要約(オリジナル)

This article introduces a new estimator of average treatment effects under unobserved confounding in modern data-rich environments featuring large numbers of units and outcomes. The proposed estimator is doubly robust, combining outcome imputation, inverse probability weighting, and a novel cross-fitting procedure for matrix completion. We derive finite-sample and asymptotic guarantees, and show that the error of the new estimator converges to a mean-zero Gaussian distribution at a parametric rate. Simulation results demonstrate the relevance of the formal properties of the estimators analyzed in this article.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google