On propensity score matching with a diverging number of matches
匹配数量随样本量增长的倾向得分匹配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：摘要直接研究平均治疗效应的倾向得分匹配及其半参数效率。
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…
匹配数量随样本量增长的倾向得分匹配
- 研究问题
- 倾向得分匹配估计平均治疗效应时，让最近邻匹配数量随样本量增长，能否比固定匹配数量提高效率并达到效率下界？
- 方法与思路
- 作者重新分析倾向得分匹配估计量，研究最近邻数量随样本量增长时的渐近性质，并考察倾向得分具有特殊结构的情况。
- 材料陈述的贡献
- 摘要称修改后的估计量可改善固定匹配数估计量的效率，且在倾向得分满足某些特殊结构时可能达到半参数效率下界。
- 阅读关注点
- 应核对匹配数量的增长速率、倾向得分估计与匹配误差的处理，以及效率改善和达到下界分别需要哪些结构条件。
- 阅读边界
- 仅据所给 Crossref 摘要，增长速率与特殊结构均未说明；不能认定增加匹配数必然改善有限样本表现或普遍达到效率下界。
原文摘要
Abstract This paper re-examines the work of Abadie & Imbens (2016) on propensity score matching for average treatment effect estimation. We explore the asymptotic behaviour of these estimators when the number of nearest neighbours, M, grows with the sample size. It is shown, while not surprising, but technically nontrivial, that the modified estimators can improve upon the original fixed M-estimators in terms of efficiency. Additionally, we demonstrate the potential to attain the semiparametric efficiency lower bound when the propensity score admits some special structures, echoing the insight of Hahn (1998).