An empirical process framework for covariate balance in causal inference
因果推断中协变量平衡的经验过程框架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：题名与摘要明确研究因果推断中的匹配、倾向得分与协变量平衡。
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…
因果推断中协变量平衡的经验过程框架
- 研究问题
- 如何从匹配程序所属函数类的复杂度出发评价匹配质量，并对匹配后的协变量平衡提供有限样本理论保证？
- 方法与思路
- 作者用经验过程视角将函数类复杂度与协变量平衡联系起来，建立有限样本集中不等式，并分析粗化精确匹配和倾向得分匹配。
- 材料陈述的贡献
- 摘要称框架为匹配后的平衡提供理论保证，展示对两类匹配程序的应用，并提出向其他算法拓展的思路及模拟评价。
- 阅读关注点
- 应核对平衡的具体度量、函数类复杂度如何进入界、匹配引起的数据依赖，以及平衡保证与处理效应估计误差的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未列明集中界条件；协变量平衡本身不能证明不存在未观测混杂。
原文摘要
We propose a new perspective for the evaluation of matching procedures by considering the complexity of the function class they belong to. Under this perspective we provide theoretical guarantees on post-matching covariate balance through a finite sample concentration inequality. We apply this framework to coarsened exact matching as well as matching using the propensity score and suggest how to apply it to other algorithms. Simulation studies are used to evaluate the procedures.