近似残差平衡：高维平均处理效应的去偏推断

在许多场景中，研究者有兴趣估计平均处理效应(average treatment effects)并愿意依赖无混杂假设，该假设要求在处理前变量条件下处理分配近乎随机。若分析中纳入大量处理前变量，无混杂假设往往更合理，但这会恶化标准处理效应估计方法的性能。本文发展了一种对惩罚回归调整去偏的方法，使得像lasso这样的稀疏回归方法可用于高维线性模型中平均处理效应的$\sqrt{n}$一致推断。给定线性，我们不需要假设处理倾向可估计，或平均处理效应是结果模型参数的稀疏对比。相反，除了使结果模型上的lasso回归在1-范数误差下一致所用的标准假设外，我们仅需要重叠性，即倾向得分一致有界远离0和1。在步骤上，我们的方法将平衡权重与正则化回归调整相结合。