Kernel-based covariate functional balancing for observational studies
观察性研究中基于核的协变量函数平衡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：摘要明确以观察性研究的因果推断为目标，研究通过协变量函数平衡改善处理组之间的可比性。
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…
关注这篇论文的作者
观察性研究中基于核的协变量函数平衡
- 研究问题
- 在观察性研究的因果分析中，如何使协变量的一整类函数达到近似平衡，而不只平衡预先指定的有限个矩？
- 方法与思路
- 作者在再生核希尔伯特空间中构造协变量函数的统一近似平衡，并将无限维优化转化为有限维特征值优化问题。
- 材料陈述的贡献
- 摘要称该方法具有有限维表示并给出大样本研究；所展示的数值例子中，其平衡程度更好且抽样变异更小。
- 阅读关注点
- 应核对函数空间与核的选择、近似平衡的衡量方式、大样本结论的条件，以及数值比较采用的基准和设置。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未说明因果识别条件及具体渐近结论，数值比较不能支持普遍优越性。
原文摘要
Covariate balance is often advocated for objective causal inference since it mimics randomization in observational data. Unlike methods that balance specific moments of covariates, our proposal attains uniform approximate balance for covariate functions in a reproducing-kernel Hilbert space. The corresponding infinite-dimensional optimization problem is shown to have a finite-dimensional representation in terms of an eigenvalue optimization problem. Large-sample results are studied, and numerical examples show that the proposed method achieves better balance with smaller sampling variability than existing methods.