Sliced $L^p$ Distributional Balancing
切片 Lp 分布平衡方法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。
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：摘要直接以协变量加权处理混杂并估计因果效应；平衡协变量分布本身并非研究结局的分布效应。
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
切片 Lp 分布平衡方法
- 研究问题
- 能否仅利用协变量、通过计算可行的多元分布平衡权重处理混杂，并在不增广结果模型的情况下实现有效因果推断？
- 方法与思路
- 作者平均一维线性投影累积分布函数之间的平方 Lp 距离衡量失衡，以排序运算和投影次梯度下降求权重，并构建推断理论。
- 材料陈述的贡献
- 摘要称，该准则识别多元分布相等，计算复杂度优于所比较的 MMD 方法；适当条件下因果效应估计达到根号样本量速率与效率界。
- 阅读关注点
- 应核对混杂识别、投影近似、权重约束与调参条件，以及不使用结果模型时达到效率界所需的函数类和收敛要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列明效率条件，所述竞争力不构成对所有现有方法的普遍优势。
原文摘要
A popular class of causal inference methods addresses confounding through weighting, which reweights treated and control groups to balance their covariate distributions without using outcome information, thereby preserving a design-based perspective. In this paper, we propose sliced $L^p$ distributional balancing (SLDB), a family indexed by $p\in[1,\infty)$ that measures imbalance by averaging squared $L^p$ distances between the cumulative distribution functions of one-dimensional linear projections. The Cramér--Wold device ensures that this criterion identifies equality of multivariate distributions, while projection reduces its computation to sorting-based one-dimensional operations. Because our method lies outside the maximum mean discrepancy (MMD) framework underlying many existing distributional balancing methods, their theoretical and computational tools do not directly apply. We therefore develop a computationally efficient projected subgradient descent algorithm for estimating balancing weights, offering improved computational complexity over MMD-based methods. Furthermore, we establish a novel theoretical framework for SLDB-based causal effect estimation and prove, under suitable conditions, root-n consistency and asymptotic normality, with the asymptotic variance attaining the semiparametric efficiency bound. Finally, we develop inferential procedures that do not require augmentation with an outcome model, thereby retaining the design-based principle. Simulation studies and a real-world application demonstrate that SLDB performs competitively with existing methods.