Buchumschlag

Low-rank Covariate Balancing Estimators under Interference

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sengupta, Souhardya, Imai, Kosuke, Papadogeorgou, Georgia
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Estimating Heterogeneous Treatment Effects for Spatio-Temporal Causal Inference
von: Zhou, Lingxiao, et al.
Veröffentlicht: (2024)

Spatiotemporal causal inference with arbitrary spillover and carryover effects: Airstrikes and insurgent violence in the Iraq War
von: Mukaigawara, Mitsuru, et al.
Veröffentlicht: (2025)

The $\ell$-test: leveraging sparsity in the Gaussian linear model for improved inference
von: Sengupta, Souhardya, et al.
Veröffentlicht: (2024)

Individualized Policy Evaluation and Learning under Clustered Network Interference
von: Zhang, Yi, et al.
Veröffentlicht: (2023)

The $L$-test: Increasing the Linear Model $F$-test's Power Under Sparsity Without Sacrificing Validity
von: Paulson, Danielle, et al.
Veröffentlicht: (2025)

Bipartite causal inference with interference, time series data, and a random network
von: Song, Zhaoyan, et al.
Veröffentlicht: (2024)

Bayesian inference for aggregated Hawkes processes
von: Zhou, Lingxiao, et al.
Veröffentlicht: (2022)

Spatial causal inference in the presence of unmeasured confounding and interference
von: Papadogeorgou, Georgia, et al.
Veröffentlicht: (2023)

Effective treatment allocation strategies under partial interference
von: Dean, Samantha G, et al.
Veröffentlicht: (2025)

Identification and efficient estimation of compliance and network causal effects in cluster-randomized trials
von: Cheng, Chao, et al.
Veröffentlicht: (2025)

Spatial vertical regression for spatial panel data: Evaluating the effect of the Florentine tramway's first line on commercial vitality
von: Grossi, Giulio, et al.
Veröffentlicht: (2025)

Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions
von: Wang, Xinyi, et al.
Veröffentlicht: (2025)

Causal Inference when Intervention Units and Outcome Units Differ
von: Papadogeorgou, Georgia, et al.
Veröffentlicht: (2025)

Addressing selection bias in cluster randomized experiments via weighting
von: Papadogeorgou, Georgia, et al.
Veröffentlicht: (2023)

Privacy-preserving Meta-analysis through Low-Rank Basis Hunting
von: Shi, Wenqi, et al.
Veröffentlicht: (2026)

Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data
von: Zhang, Yi, et al.
Veröffentlicht: (2024)

Safe Policy Learning under Regression Discontinuity Designs with Multiple Cutoffs
von: Zhang, Yi, et al.
Veröffentlicht: (2022)

Estimating Heterogeneous Causal Effects of High-Dimensional Treatments: Application to Conjoint Analysis
von: Goplerud, Max, et al.
Veröffentlicht: (2022)

GenAI Powered Dynamic Causal Inference with Unstructured Data
von: Nakamura, Kentaro, et al.
Veröffentlicht: (2026)

GenAI-Powered Inference
von: Imai, Kosuke, et al.
Veröffentlicht: (2025)

Covariate Balancing Based on Kernel Density Estimates for Controlled Experiments
von: Li, Yiou, et al.
Veröffentlicht: (2020)

Comment on "Generic machine learning inference on heterogeneous treatment effects in randomized experiments."
von: Imai, Kosuke, et al.
Veröffentlicht: (2025)

Covariance Estimation for Matrix-variate Data via Fixed-rank Core Covariance Geometry
von: Sung, Bongjung
Veröffentlicht: (2025)

balnet: Pathwise Estimation of Covariate Balancing Propensity Scores
von: Sverdrup, Erik, et al.
Veröffentlicht: (2026)

Neyman Meets Causal Machine Learning: Experimental Evaluation of Individualized Treatment Rules
von: Li, Michael Lingzhi, et al.
Veröffentlicht: (2024)

PanelMatch: Matching Methods for Causal Inference with Time-Series Cross-Section Data
von: Rauh, Adam, et al.
Veröffentlicht: (2025)

Balancing Covariates in Survey Experiments
von: Tian, Pengfei, et al.
Veröffentlicht: (2026)

Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments
von: Imai, Kosuke, et al.
Veröffentlicht: (2022)

How Balanced Should Causal Covariates Be?
von: Kaul, Shiva, et al.
Veröffentlicht: (2025)

Design-based inference for generalized network experiments with stochastic interventions
von: Chattopadhyay, Ambarish, et al.
Veröffentlicht: (2023)

Optimal Treatment Rules under Missing Predictive Covariates: A Covariate-Balancing Doubly Robust Approach
von: Zhang, Yue, et al.
Veröffentlicht: (2025)

Covariate Balancing and the Equivalence of Weighting and Doubly Robust Estimators of Average Treatment Effects
von: Słoczyński, Tymon, et al.
Veröffentlicht: (2023)

Identification and Estimation of Heterogeneous Interference Effects under Unknown Network
von: Zhang, Yuhua, et al.
Veröffentlicht: (2025)

A Stable and Efficient Covariate-Balancing Estimator for Causal Survival Effects
von: Pham, Khiem, et al.
Veröffentlicht: (2023)

Doubly Robust Estimation under Covariate-Induced Dependent Left Truncation
von: Wang, Yuyao, et al.
Veröffentlicht: (2022)

Balanced Subsampling for Big Data with Categorical Covariates
von: Wang, Lin
Veröffentlicht: (2022)

Inference for Low-rank Models without Estimating the Rank
von: Choi, Jungjun, et al.
Veröffentlicht: (2023)

Statistical Performance Guarantee for Subgroup Identification with Generic Machine Learning
von: Li, Michael Lingzhi, et al.
Veröffentlicht: (2023)

Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis
von: Ham, Dae Woong, et al.
Veröffentlicht: (2022)

DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation
von: Khan, Ahmad Saeed, et al.
Veröffentlicht: (2025)