Propensity Score Matching and Subclassification in Observational Studies with Multi-level Treatments
多水平处理观测研究中的倾向得分匹配与分层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：摘要明确研究观测数据中的多水平处理、无混杂性和平均处理效应，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…
多水平处理观测研究中的倾向得分匹配与分层
- 研究问题
- 在处理水平超过两个的观测研究中，如何利用倾向得分匹配或分层估计平均处理效应，并调整处理前观测变量造成的混杂？
- 方法与思路
- 作者采用弱无混杂性概念，利用处理前变量的标量函数进行调整或匹配，将二元处理中的匹配与分层思路扩展到多水平处理。
- 材料陈述的贡献
- 摘要称，在相应无混杂设定下，标量调整可消除与观测处理前变量相关的偏差，并给出纤维肌痛治疗应用及与既有方法的模拟比较。
- 阅读关注点
- 应核对弱无混杂性的形式、标量得分与目标处理对比的关系，以及重叠条件、匹配分层实施和标准误如何处理多水平情形。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明重叠条件或比较数值，所述偏差消除不能延伸至未观测混杂。
原文摘要
In this paper, we develop new methods for estimating average treatment effects in observational studies, focusing on settings with more than two treatment levels under unconfoundedness given pre-treatment variables. We emphasize subclassification and matching methods which have been found to be effective in the binary treatment literature and which are among the most popular methods in that setting. Whereas the literature has suggested that these particular propensity-based methods do not naturally extend to the multi-level treatment case, we show, using the concept of weak unconfoundedness, that adjusting for or matching on a scalar function of the pre-treatment variables removes all biases associated with observed pre-treatment variables. We apply the proposed methods to an analysis of the effect of treatments for fibromyalgia. We also carry out a simulation study to assess the finite sample performance of the methods relative to previously proposed methods.