Estimation based on nearest neighbor matching: from density ratio to average treatment effect
基于最近邻匹配的估计：从密度比到平均处理效应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：摘要明确将最近邻匹配和密度比估计用于平均处理效应，并讨论双重稳健性及半参数效率，直接属于因果推断。
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…
关注这篇论文的作者
基于最近邻匹配的估计：从密度比到平均处理效应
- 研究问题
- 当最近邻匹配的邻居数随样本量增加时，匹配中的统计量能否一致估计密度比，并进一步改善平均处理效应估计的性质？
- 方法与思路
- 作者放宽邻居数固定的设定，研究其随样本增长时的密度比估计，通过选择适当邻居数分析估计速率及处理效应估计。
- 材料陈述的贡献
- 摘要称密度比估计可达到 Lipschitz 密度类的极小极大下界；匹配估计具有双重稳健性，并在进一步条件下达到半参数效率。
- 阅读关注点
- 应核对邻居数的增长范围、维度和密度条件、结果模型的设定要求，以及双重稳健性与半参数效率分别依赖哪些条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出增长速率和完整识别条件，效率结论不能推广到任意最近邻匹配。
原文摘要
Nearest neighbor (NN) matching as a tool to align data sampled from different groups is both conceptually natural and practically well-used. In a landmark paper, Abadie and Imbens (2006) provided the first large-sample analysis of NN matching under, however, a crucial assumption that the number of NNs, $M$, is fixed. This manuscript reveals something new out of their study and shows that, once allowing $M$ to diverge with the sample size, an intrinsic statistic in their analysis actually constitutes a consistent estimator of the density ratio. Furthermore, through selecting a suitable $M$, this statistic can attain the minimax lower bound of estimation over a Lipschitz density function class. Consequently, with a diverging $M$, the NN matching provably yields a doubly robust estimator of the average treatment effect and is semiparametrically efficient if the density functions are sufficiently smooth and the outcome model is appropriately specified. It can thus be viewed as a precursor of double machine learning estimators.