The Balancing Act in Causal Inference
因果推断中的协变量平衡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：摘要明确讨论强可忽略性、平均处理效应、逆倾向加权和政策评价，其核心问题直接属于因果推断。
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…
因果推断中的协变量平衡
- 研究问题
- 在强可忽略性下估计平均处理效应时，协变量平衡如何支撑稳健推断，倾向得分建模与直接求取平衡权重有何联系？
- 方法与思路
- 作者综述因果推断、抽样调查和半参数估计文献，对比拟合倾向得分后取倒数与通过矩条件直接估计平衡权重两种路径。
- 材料陈述的贡献
- 摘要强调平衡作为稳健推断充分条件的作用，围绕 IPW 与 AIPW 梳理相关思想，并讨论政策评价和个体化处理效应的推广。
- 阅读关注点
- 应核对总体分布平衡与有限样本平衡的区别、权重唯一性的适用范围，以及平衡支撑稳健推断所需的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未提供完整条件和比较结果，不能将样本协变量平衡直接视为因果识别保证。
原文摘要
The idea of covariate balance is at the core of causal inference. Inverse propensity weights play a central role because they are the unique set of weights that balance the covariate distributions of different treatment groups. We discuss two broad approaches to estimating these weights: the more traditional one, which fits a propensity score model and then uses the reciprocal of the estimated propensity score to construct weights, and the balancing approach, which estimates the inverse propensity weights essentially by the method of moments, finding weights that achieve balance in the sample. We review ideas from the causal inference, sample surveys, and semiparametric estimation literatures, with particular attention to the role of balance as a sufficient condition for robust inference. We focus on the inverse propensity weighting and augmented inverse propensity weighting estimators for the average treatment effect given strong ignorability and consider generalizations for a broader class of problems including policy evaluation and the estimation of individualized treatment effects.