Survey calibration for causal inference: a simple method to balance covariate distributions
用于因果推断的调查校准：协变量分布平衡的简便方法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：摘要同时研究观察数据的协变量平衡、平均处理效应及分位数处理效应。
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
用于因果推断的调查校准：协变量分布平衡的简便方法
- 研究问题
- 在观察研究中，如何同时平衡协变量的多个分位数与均值，以改善非线性关系或模型错设下的平均及分位数处理效应估计？
- 方法与思路
- 作者利用调查校准估计理论，特别是分位数校准方法，构造分布平衡方案，并以熵平衡和协变量平衡倾向得分作为示例。
- 材料陈述的贡献
- 摘要称，方法无需数值积分、核密度估计或分布假设，可借助既有渐近理论；模拟覆盖平均与分位数效应，且已有开源实现。
- 阅读关注点
- 应核对分位数平衡约束、权重存在性与稳定性、因果识别条件，以及渐近理论如何用于 ATT、ATE、QTT 和 QTE 的推断。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核实；无需分布假设不等于无需因果假设，摘要提及的进一步推广尚待核对。
原文摘要
This paper proposes a~simple, yet powerful, method for balancing distributions of covariates for causal inference based on observational studies. The method makes it possible to balance an arbitrary number of quantiles (e.g., medians, quartiles, or deciles) together with means if necessary. The proposed approach is based on the theory of calibration estimators (Deville and Särndal 1992), in particular, calibration estimators for quantiles, proposed by Harms and Duchesne (2006). The method does not require numerical integration, kernel density estimation or assumptions about the distributions. Valid estimates can be obtained by drawing on existing asymptotic theory. An~illustrative example of the proposed approach is presented for the entropy balancing method and the covariate balancing propensity score method. Results of a~simulation study indicate that the method efficiently estimates average treatment effects on the treated (ATT), the average treatment effect (ATE), the quantile treatment effect on the treated (QTT) and the quantile treatment effect (QTE), especially in the presence of non-linearity and mis-specification of the models. The proposed approach can be further generalized to other designs (e.g. multi-category, continuous) or methods (e.g. synthetic control method). An open source software implementing proposed methods is available.