Multivariate Matching Methods That Are Monotonic Imbalance Bounding
具有单调不平衡界限的多元匹配方法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：摘要明确将多元匹配用于因果推断，并讨论协变量不平衡控制及粗化精确匹配。
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…
具有单调不平衡界限的多元匹配方法
- 研究问题
- 在因果推断中，能否构造可控制协变量不平衡的匹配方法，使其性质超越仅在期望意义上等比例降低偏差的方法类别？
- 方法与思路
- 作者提出单调不平衡界限匹配类，给出构造具体成员的策略，并从这一框架详细分析粗化精确匹配的性质。
- 材料陈述的贡献
- 摘要称新类别拓展等比例偏差降低框架，提供解析结果与数值模拟，并展示其成员相对于既有匹配方法改善推断的可能性。
- 阅读关注点
- 应核对单调性与不平衡界限的正式定义、粗化规则和样本保留方式，以及比较所针对的目标量、数据情形和性能指标。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；匹配后的平衡不自动保证因果识别，具体识别假设与改善范围未说明。
原文摘要
We introduce a new “Monotonic Imbalance Bounding” (MIB) class of matching methods for causal inference with a surprisingly large number of attractive statistical properties. MIB generalizes and extends in several new directions the only existing class, “Equal Percent Bias Reducing” (EPBR), which is designed to satisfy weaker properties and only in expectation. We also offer strategies to obtain specific members of the MIB class, and analyze in more detail a member of this class, called Coarsened Exact Matching, whose properties we analyze from this new perspective. We offer a variety of analytical results and numerical simulations that demonstrate how members of the MIB class can dramatically improve inferences relative to EPBR-based matching methods.