Asymptotics of Caliper Matching Estimators for Average Treatment Effects
平均处理效应卡尺匹配估计量的渐近理论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：摘要研究二元处理的倾向得分匹配及平均处理效应推断，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…
平均处理效应卡尺匹配估计量的渐近理论
- 研究问题
- 倾向得分卡尺匹配应如何选择匹配距离，才能兼顾匹配质量与匹配数量，并为平均及已处理者处理效应提供理论推断？
- 方法与思路
- 作者提出平衡匹配质量和数量的卡尺选择，分析两类处理效应估计量的渐近分布，并构造相应的渐近置信区间。
- 材料陈述的贡献
- 摘要称估计量以参数速率渐近无偏且正态，并讨论半参数效率；估计参数化倾向得分会增加两类估计量的方差。
- 阅读关注点
- 应核对卡尺随样本量变化的规则、未匹配样本的处理，以及倾向得分估计增加方差和达到效率的具体条件。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未给出识别假设、卡尺公式与效率条件，方差结论不宜推广至所有匹配方法。
原文摘要
Caliper matching is used to estimate causal effects of a binary treatment from observational data by comparing matched treated and control units. Units are matched when their propensity scores, the conditional probability of receiving treatment given pretreatment covariates, are within a certain distance called caliper. So far, theoretical results on caliper matching are lacking, leaving practitioners with ad-hoc caliper choices and inference procedures. We bridge this gap by proposing a caliper that balances the quality and the number of matches. We prove that the resulting estimator of the average treatment effect, and average treatment effect on the treated, is asymptotically unbiased and normal at parametric rate. We describe the conditions under which semiparametric efficiency is obtainable, and show that when the parametric propensity score is estimated, the variance is increased for both estimands. Finally, we construct asymptotic confidence intervals for the two estimands.