Weighted Extensions of the Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance
用于协变量平衡评估的加权 KS、CVM 与 AD 检验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：摘要明确以因果推断中的协变量平衡为应用目标；比较协变量分布并非估计分布处理效应，因此仅选择因果推断。
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
用于协变量平衡评估的加权 KS、CVM 与 AD 检验
- 研究问题
- 因果研究中的协变量加权平衡诊断，如何超越均值等汇总指标比较完整分布，并适应不同来源及较大变异程度的个体权重？
- 方法与思路
- 作者将 KS、CVM 和 AD 分布拟合检验扩展至个体权重，提出统一的标签置换推断程序，并称无需假定权重的生成方式。
- 材料陈述的贡献
- 摘要称四种模拟情景下检验尺寸接近名义水平，部分非加权功效优势得到保留，并提供 Stata 实现及不同失衡位置的选择建议。
- 阅读关注点
- 应核对标签置换的有效性条件、数据依赖权重的处理方式、尾部与中心失衡的设定，以及平衡检验在因果识别中的诊断边界。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；有限模拟不能证明任意权重均有效，未拒绝平衡也不能排除不可观测混杂。
原文摘要
Assessing covariate balance is a core diagnostic step in causal inference, but commonly used summary measures can miss meaningful distributional differences they are not designed to detect. Distributional goodness-of-fit tests, including the Kolmogorov-Smirnov (KS), Anderson-Darling (AD), and Cramer-von Mises (CVM) tests, offer a more complete comparison but have previously been available only for unweighted data. We extend all three to accommodate case weights of any origin, using a shared label-permutation inference procedure that requires no assumption about how the weights were generated. In a four-scenario simulation study, all three weighted tests controlled Type I error close to nominal across sample sizes from 1,000 to 4,000 under substantial weight variability. Each test's known unweighted comparative advantage was preserved under weighting for two of three discrepancy types: KS was most powerful against a centrally located discrepancy, and AD was overwhelmingly most powerful against a tail-located discrepancy, while AD and CVM performed comparably against a diffuse discrepancy, both outperforming KS. These findings support AD as a reasonable general-purpose default for routine covariate balance assessment, while KS retains an advantage when a centrally concentrated imbalance is specifically suspected. The methods are implemented in the Stata commands kstest, adtest, and cvmtest.