The Finite Sample Performance of Inference Methods for Propensity Score Matching and Weighting Estimators
倾向得分匹配与加权估计量推断方法的有限样本表现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：摘要直接比较倾向得分匹配和加权方法对已处理者平均处理效应的推断表现，因此最直接对应因果推断。
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…
倾向得分匹配与加权估计量推断方法的有限样本表现
- 研究问题
- 估计已处理者平均处理效应时，倾向得分匹配与加权估计量的方差和置信区间，在不同选择性、效应异质性与样本规模下表现如何？
- 方法与思路
- 作者依据德国登记数据和美国调查数据构造模拟设计，改变处理选择性、效应异质性、处理组占比与样本量，比较渐近近似和 bootstrap。
- 材料陈述的贡献
- 摘要称，理论适用的 bootstrap 通常具有更好的覆盖率：成对匹配用 wild 法，较平滑估计量用标准法，多数发现跨设计稳健。
- 阅读关注点
- 应核对各匹配及加权估计量的定义、倾向得分估计误差的处理、不同 bootstrap 的适用条件，以及覆盖率与区间长度的权衡。
- 阅读边界
- 摘要未给出具体设计、覆盖率数值或全部适用条件；结论来自选定模拟环境，不能据此保证任意匹配估计量或真实应用中的推断有效。
原文摘要
This article investigates the finite sample properties of a range of inference methods for propensity score-based matching and weighting estimators frequently applied to evaluate the average treatment effect on the treated. We analyze both asymptotic approximations and bootstrap methods for computing variances and confidence intervals in our simulation designs, which are based on German register data and U.S. survey data. We vary the design w.r.t. treatment selectivity, effect heterogeneity, share of treated, and sample size. The results suggest that in general, theoretically justified bootstrap procedures (i.e., wild bootstrapping for pair matching and standard bootstrapping for “smoother” treatment effect estimators) dominate the asymptotic approximations in terms of coverage rates for both matching and weighting estimators. Most findings are robust across simulation designs and estimators.