Matching Using Sufficient Dimension Reduction for Causal Inference
利用充分降维进行因果推断匹配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：摘要以匹配和缺失潜在结果插补估计因果处理效应，并明确讨论可忽略性与共同支持条件，因此直接对应因果推断。
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…
关注这篇论文的作者
利用充分降维进行因果推断匹配
- 研究问题
- 如何利用充分降维得到的低维协变量进行匹配和潜在结果插补，以估计因果处理效应，并减少对共同支持条件的要求？
- 方法与思路
- 作者基于充分降维得到可非参数估计的匹配协变量，在低维结构与可忽略性假设下估计处理效应，并允许各处理组使用不同降维变量。
- 材料陈述的贡献
- 摘要称该方法能有效插补缺失潜在结果，在可忽略性下以较弱共同支持条件保证一致性，并给出渐近分析、模拟和真实数据应用。
- 阅读关注点
- 应核对充分降维如何保留潜在结果信息、低维结构与可忽略性假设的具体形式，以及分组匹配、共同支持和推断的实施方法。
- 阅读边界
- 摘要未给出低维结构、可忽略性及较弱共同支持条件的具体形式；这些前提关系到一致性，模拟与应用不能保证普遍优势。
原文摘要
To estimate causal treatment effects, we propose a new matching approach based on the reduced covariates obtained from sufficient dimension reduction. Compared with the original covariates and the propensity score, which are commonly used for matching in the literature, the reduced covariates are nonparametrically estimable and are effective in imputing the missing potential outcomes, under a mild assumption on the low-dimensional structure of the data. Under the ignorability assumption, the consistency of the proposed approach requires a weaker common support condition. In addition, researchers are allowed to employ different reduced covariates to find matched subjects for different treatment groups. We develop relevant asymptotic results and conduct simulation studies as well as real data analysis to illustrate the usefulness of the proposed approach.