On Rosenbaum’s rank-based matching estimator
论 Rosenbaum 的秩匹配估计量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。
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：摘要讨论平均处理效应的匹配估计量及其双重稳健性与半参数有效性，属于因果推断方法研究。
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
论 Rosenbaum 的秩匹配估计量
- 研究问题
- 摘要称，Rosenbaum（2005, 2020a）主张用各协变量的分量秩间距离而非原始取值来衡量匹配时的协变量相似性，但文献中缺乏对该类匹配估计程序的理论理解；本文即研究这一秩匹配估计量的理论性质。
- 方法与思路
- 作者提出将 Rosenbaum 的秩匹配估计量与回归调整相结合，在理论上推导其统计性质，并称无需施加限制性的协变量矩条件即可得到相应结论。
- 材料陈述的贡献
- 摘要称，本文填补了秩匹配估计缺乏理论分析的空白，证明该估计量在配合回归调整时具备双重稳健性与半参数有效性，且无需限制性协变量矩假设，并呼应 Bickel 2004 年 Rietz 讲座中关于秩用于估计与推断的洞见。
- 阅读关注点
- 应核对：双重稳健性与半参数有效性的具体定理陈述与正则条件；回归调整的具体形式；秩的定义与并列秩处理；是否需要重叠或倾向得分条件；以及结论对匹配算法与带宽选择的依赖。
- 阅读边界
- 仅凭摘要无法判断证明细节、识别假设是否可检验、有限样本表现及与其他匹配估计量的比较；摘要未说明模拟或实证结果，也未说明所依据的秩匹配估计量的具体设定。
原文摘要
Summary In two influential contributions, Rosenbaum (2005, 2020a) advocated for using the distances between componentwise ranks, instead of the original data values, to measure covariate similarity when constructing matching estimators of average treatment effects. While the intuitive benefits of using covariate ranks for matching estimation are apparent, there is no theoretical understanding of such procedures in the literature. We fill this gap by demonstrating that Rosenbaum’s rank-based matching estimator, when coupled with a regression adjustment, enjoys the properties of double robustness and semiparametric efficiency without the need to enforce restrictive covariate moment assumptions. Our theoretical findings further emphasize the statistical virtues of employing ranks for estimation and inference, more broadly aligning with the insights put forth by Peter Bickel in his 2004 Rietz lecture.