Kernel-Distance-Based Covariate Balancing
基于核距离的协变量平衡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：摘要直接针对观察性研究中的平均处理效应、协变量平衡和混杂偏误。
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…
基于核距离的协变量平衡
- 研究问题
- 在二元处理的观察性研究中，如何对处理组与对照组重新加权，使协变量分布满足预设平衡条件并减少因果估计偏误？
- 方法与思路
- 作者提出基于核距离的协变量平衡预处理方法，分别生成两组个体权重，并通过蒙特卡洛模拟与真实数据展示实施。
- 材料陈述的贡献
- 摘要称加权后的协变量分布能够满足一组预先指定的平衡条件，且这种预处理可减少后续因果效应估计的混杂偏误。
- 阅读关注点
- 应核对核距离与平衡条件的定义、权重约束和稳定性，以及该预处理如何配合平均处理效应或处理组平均效应的估计。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明识别假设、未测量混杂边界或偏误降低的具体幅度。
原文摘要
A common concern in observational studies focuses on properly evaluating the causal effect, which usually refers to the average treatment effect or the average treatment effect on the treated. In this paper, we propose a data preprocessing method, the Kernel-distance-based covariate balancing, for observational studies with binary treatments. This proposed method yields a set of unit weights for the treatment and control groups, respectively, such that the reweighted covariate distributions can satisfy a set of pre-specified balance conditions. This preprocessing methodology can effectively reduce confounding bias of subsequent estimation of causal effects. We demonstrate the implementation and performance of Kernel-distance-based covariate balancing with Monte Carlo simulation experiments and a real data analysis.