Dealing with limited overlap in estimation of average treatment effects
平均处理效应估计中的有限重叠问题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：摘要明确研究可忽略处理分配、倾向得分和平均处理效应估计。
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…
平均处理效应估计中的有限重叠问题
- 研究问题
- 在无混杂或可忽略处理分配下，协变量重叠不足会降低平均处理效应估计精度；如何系统选择更适合估计的子样本？
- 方法与思路
- 作者刻画使子样本平均处理效应估计最精确的最优子样本，并研究何种条件下筛选规则只依赖倾向得分。
- 材料陈述的贡献
- 摘要给出系统筛样方法，称对广泛分布可用保留倾向得分处于 [0.1,0.9] 的样本近似最优规则。
- 阅读关注点
- 应核对精度优化的目标、倾向得分规则成立的条件，以及删样后目标人群和所估平均处理效应如何改变。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未说明最优规则的完整条件，所给区间是近似经验规则，不能视为普遍最优或推断刊本变化。
原文摘要
Estimation of average treatment effects under unconfounded or ignorable treatment assignment is often hampered by lack of overlap in the covariate distributions between treatment groups. This lack of overlap can lead to imprecise estimates, and can make commonly used estimators sensitive to the choice of specification. In such cases researchers have often used ad hoc methods for trimming the sample. We develop a systematic approach to addressing lack of overlap. We characterize optimal subsamples for which the average treatment effect can be estimated most precisely. Under some conditions, the optimal selection rules depend solely on the propensity score. For a wide range of distributions, a good approximation to the optimal rule is provided by the simple rule of thumb to discard all units with estimated propensity scores outside the range [0.1,0.9].