Tuning-parameter-free optimal propensity score matching approach for causal inference
无需调参的最优倾向得分匹配方法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：摘要明确以处理效应的倾向得分匹配及其效率为研究对象，直接属于因果推断，没有其他领域细分的明确证据。
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…
无需调参的最优倾向得分匹配方法
- 研究问题
- 倾向得分匹配能否自动确定每个处理单位的匹配数量，并在单变量及特定多变量情形下达到半参数效率？
- 方法与思路
- 作者在单调性约束下非参数极大似然估计倾向得分，利用估计结果的分段常数结构自动分组并实施匹配。
- 材料陈述的贡献
- 摘要称方法无需调参，在单变量及结果与倾向得分沿协变量同向变化的多变量情形有效率，并指出一般效率限制。
- 阅读关注点
- 应核对单调约束的适用对象、多变量情形中“同一方向”的精确定义，以及效率结论所需的识别和正则条件。
- 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；摘要未完整说明效率条件，不能推广为一般最优匹配。
原文摘要
Propensity score matching (PSM) is a pseudo-experimental method that uses statistical techniques to construct an artificial control group by matching each treated unit with one or more untreated units of similar characteristics. To date, the problem of determining the optimal number of matches per unit, which plays an important role in PSM, has not been adequately addressed. We propose a tuning-parameter-free PSM method based on the nonparametric maximum-likelihood estimation of the propensity score under the monotonicity constraint. The estimated propensity score is piecewise constant, and therefore automatically groups data. Hence, our proposal is free of tuning parameters. The proposed estimator is asymptotically semiparametric efficient for the univariate case, and achieves this level of efficiency in the multivariate case when the outcome and the propensity score depend on the covariate in the same direction. We conclude that matching methods based on the propensity score alone cannot, in general, be efficient.