Gaussian and bootstrap approximation for matching-based average treatment effect estimators
匹配型平均处理效应估计量的高斯与自助法近似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。
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：摘要明确以匹配型平均处理效应估计量及其置信区间为研究对象，直接对应因果推断方向，未提供其他细分领域的依据。
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…
匹配型平均处理效应估计量的高斯与自助法近似
- 研究问题
- 协变量匹配和秩匹配的平均处理效应估计量，其高斯近似误差如何受匹配数量及处理组平衡影响，如何构造数据驱动区间？
- 方法与思路
- 作者从稳定化理论出发，使用 Malliavin–Stein 方法建立高斯近似界，再设计乘子自助法并推导相应的自助近似误差界。
- 材料陈述的贡献
- 摘要称误差界明确量化匹配数量与处理平衡的影响，并提供完全数据驱动的分布估计及具有非渐近有效性的置信区间方法。
- 阅读关注点
- 应核对处理效应识别、协变量分布和匹配规则所需条件，辨明误差界如何依赖样本量与匹配数，以及区间保证的具体含义。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；摘要未列出识别及正则条件，非渐近有效性不能解释为对任意数据无条件成立。
原文摘要
We establish Gaussian approximation bounds for covariate and rank-matching-based Average Treatment Effect (ATE) estimators. By analyzing these estimators through the lens of stabilization theory, we employ the Malliavin–Stein method to derive our results. Our bounds precisely quantify the impact of key problem parameters, including the number of matches and treatment balance, on the accuracy of the Gaussian approximation. Additionally, we develop multiplier bootstrap procedures to estimate the limiting distribution in a fully data-driven manner, and we leverage the derived Gaussian approximation results to further obtain bootstrap approximation bounds. Our work not only introduces a novel theoretical framework for commonly used ATE estimators, but also provides data-driven methods for constructing nonasymptotically valid confidence intervals.