Using Matching to Estimate Treatment Effects: Data Requirements, Matching Metrics, and Monte Carlo Evidence
用匹配估计处理效应：数据要求、匹配度量与蒙特卡洛证据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：摘要直接比较用于处理效应估计的倾向得分匹配与协变量匹配。
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
用匹配估计处理效应：数据要求、匹配度量与蒙特卡洛证据
- 研究问题
- 倾向得分匹配与协变量匹配各需要怎样的数据，匹配度量如何影响小样本表现，实践中应如何在这些方法间选择？
- 方法与思路
- 作者讨论两类匹配估计的数据要求，提出纳入处理结果与参与指示信息的两种新匹配度量，并通过蒙特卡洛实验比较。
- 材料陈述的贡献
- 摘要称，论文结合匹配度量的设计动机与一系列模拟，为实践者选择匹配估计量和匹配度量提供指导。
- 阅读关注点
- 应核对识别处理效应所需的假设、两种新度量如何使用结果和参与信息，以及模拟设计是否贴近拟研究的数据环境。
- 阅读边界
- 摘要未列出新度量公式、模拟设定及具体选择结论，不能据此认定某类匹配方法普遍更好或能够消除未观测混杂。
原文摘要
We compare propensity-score matching methods with covariatematching estimators. We first discuss the data requirements of propensity-score matching estimators and covariate matching estimators. Then we propose two new matching metrics incorporating the treatment outcome information and participation indicator information, and discuss the motivations of different metrics. Next we study the small-sample properties of propensity-score matching versus covariate matching estimators, and of different matching metrics, through Monte Carlo experiments. Through a series of simulations, we provide some guidance to practitioners on how to choose among different matching estimators and matching metrics. 2004 President and Fellows of Harvard College and the Massachusetts Institute of Technology.