On propensity score matching with a diverging number of matches
匹配数量随样本增长的倾向得分匹配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：摘要明确研究平均处理效应的倾向得分匹配及半参数效率。
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…
匹配数量随样本增长的倾向得分匹配
- 研究问题
- 研究估计平均处理效应时，让倾向得分近邻匹配数量随样本规模增长，会怎样改变估计量的渐近效率及效率界可达性。
- 方法与思路
- 作者重新分析倾向得分匹配估计量，允许近邻数随样本增大，并考察倾向得分具有足够降维作用时的渐近表现。
- 材料陈述的贡献
- 摘要称，增长匹配数的估计量可比固定匹配数提高效率，并在倾向得分满足足够降维条件时可能达到半参数效率下界。
- 阅读关注点
- 应核对匹配数允许的增长速度、倾向得分估计的影响，以及足够降维的准确含义和达到半参数效率界所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明增长速率和正则条件，不能将效率改善推广到所有匹配设置。
原文摘要
This paper reexamines Abadie and Imbens (2016)'s work on propensity score matching for average treatment effect estimation. We explore the asymptotic behavior of these estimators when the number of nearest neighbors, $M$, grows with the sample size. It is shown, hardly surprising but technically nontrivial, that the modified estimators can improve upon the original fixed-$M$ estimators in terms of efficiency. Additionally, we demonstrate the potential to attain the semiparametric efficiency lower bound when the propensity score achieves "sufficient" dimension reduction, echoing Hahn (1998)'s insight about the role of dimension reduction in propensity score-based causal inference.