Covariate-Matched One-Sided Tests for the Difference between Functional Means
协变量匹配的函数均值差单侧检验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。
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：摘要直接讨论处理效应比较、协变量混杂与匹配，但完整因果识别条件尚未说明。
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…
协变量匹配的函数均值差单侧检验
- 研究问题
- 研究两组处理的协变量未配对时，如何避免协变量差异混入组间比较，并检验一个处理的条件均值是否高于另一个。
- 方法与思路
- 作者假定给定协变量的平均处理效应为平滑函数，利用非参数曲线插值实现隐式协变量匹配，并以自助法构造临界值。
- 材料陈述的贡献
- 摘要称即便两组协变量分布相同，所提匹配检验也可比不匹配方法具有更高功效，并可用于双侧假设检验。
- 阅读关注点
- 应核对处理效应的具体定义、协变量支持域与平滑条件，以及匹配和自助法的有效性是否另需处理分配方面的假设。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读，不推断刊本变化。摘要未说明完整因果识别条件，不能仅凭协变量匹配赋予均值差因果解释或普遍功效优势。
原文摘要
When testing hypotheses about the effects of different treatments, variation among covariates can become confounded with that between treatments unless the treatments are applied using paired covariates. In the context of unpaired covariates, we propose implicit covariate-matching methods for testing the hypothesis that one treatment effect is greater than another. The methods are founded on the assumption that the mean treatment effect, conditional on the covariate, is a smooth function of the covariate. They are implemented using new interpolation techniques for nonparametric curve estimation. Bootstrap arguments are used to construct critical points. We show that even when the covariate distributions are identical for both treatments, covariate matching of the type that we propose produces tests of greater power than methods that do not attempt matching. Our techniques have application to two-sided hypothesis testing.