A Convexified Matching Approach to Imputation and Individualized Inference
用于插补与个体化推断的凸化匹配方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确涉及处理组与对照组的反事实插补及个体处理效应估计，直接属于因果推断。
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
用于插补与个体化推断的凸化匹配方法
- 研究问题
- 如何在大规模处理组与对照组数据中，通过匹配插补个体反事实结果，估计细粒度处理效应，同时保留适当的总体汇总性质？
- 方法与思路
- 作者将组合匹配放松为最优耦合问题，以观测结果的凸组合插补反事实，通过耦合约束维持总体性质，并用熵正则化加速计算。
- 材料陈述的贡献
- 摘要提出兼具匹配、回归插补与合成控制特点的方法，构造个体反事实结果的置信区间，并开发适合大量单位的快速迭代算法。
- 阅读关注点
- 应核对反事实插补的识别条件、耦合约束对应的总体目标、个体区间的覆盖含义，以及熵正则化如何同时影响区间宽度与计算。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明缺失机制或因果识别假设，反事实结果区间也不能直接等同于效应区间。
原文摘要
We introduce a new convexified matching method for missing value imputation and individualized inference inspired by computational optimal transport. Our method integrates favorable features from mainstream imputation approaches: optimal matching, regression imputation, and synthetic control. We impute counterfactual outcomes based on convex combinations of observed outcomes, defined based on an optimal coupling between the treated and control data sets. The optimal coupling problem is considered a convex relaxation to the combinatorial optimal matching problem. We estimate granular-level individual treatment effects while maintaining a desirable aggregate-level summary by properly constraining the coupling. We construct transparent, individual confidence intervals for the estimated counterfactual outcomes. We devise fast iterative entropic-regularized algorithms to solve the optimal coupling problem that scales favorably when the number of units to match is large. Entropic regularization plays a crucial role in both inference and computation; it helps control the width of the individual confidence intervals and design fast optimization algorithms.