Estimation of Treatment Effects based on Kernel Matching
基于核匹配的处理效应估计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：摘要明确估计观察性研究中的平均处理效应和已处理者平均效应，并使用倾向得分核匹配，属于因果推断。
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…
基于核匹配的处理效应估计
- 研究问题
- 用于观察性研究的核匹配估计量具有哪些大样本性质？研究同时关注平均处理效应、已处理者平均效应及估计倾向得分的影响。
- 方法与思路
- 作者通过影响函数分析核匹配的相合性与渐近正态性，并推导倾向得分由数据估计时的分布，再以模拟和就业培训数据说明。
- 材料陈述的贡献
- 摘要称，研究为两类核匹配效应估计提供理论基础，并将结果扩展到估计倾向得分的情形；模拟报告了相对基准方法的改善。
- 阅读关注点
- 应核对因果识别条件、核函数与带宽要求、估计倾向得分进入影响函数的方式，以及模拟比较是否使用公平一致的调参。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出完整条件、比较方法或性能指标，不能据此认定核匹配普遍更优。
原文摘要
Kernel matching is a widely used technique for estimating treatment effects, particularly valuable in observational studies where randomized controlled trials are not feasible. While kernel-matching approaches have demonstrated practical advantages in exploiting similarities between treated and control units, their theoretical properties have remained only partially explored. In this paper, we make a key contribution by establishing the asymptotic normality and consistency of kernel-matching estimators for both the average treatment effect (ATE) and the average treatment effect on the treated (ATT) through influence function techniques, thereby providing a rigorous theoretical foundation for their use in causal inference. Furthermore, we derive the asymptotic distributions of the ATE and ATT estimators when the propensity score is estimated rather than known, extending the theoretical guarantees to the practically relevant cases. Through extensive Monte Carlo simulations, the estimators exhibit consistently improved performance over standard treatment-effect estimators. We further illustrate the method by analyzing the National Supported Work Demonstration job-training data with the kernel-matching estimator.