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 Bootstrap 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。
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：摘要研究匹配型平均处理效应估计量及其高斯近似、Bootstrap 推断和置信区间。
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 Bootstrap 近似
- 研究问题
- 对协变量匹配和秩匹配的平均处理效应估计量，如何量化高斯近似误差，说明匹配数与处理平衡的影响，并构造数据驱动的推断方法？
- 方法与思路
- 作者从稳定化理论分析匹配估计量，使用 Malliavin–Stein 方法推导高斯近似界，再构建乘子 Bootstrap，并进一步推导其近似误差界。
- 材料陈述的贡献
- 摘要称，误差界明确刻画匹配数量和处理平衡等参数的作用，并提供估计极限分布的方法及构造具有非渐近有效性的置信区间的框架。
- 阅读关注点
- 应核对两类匹配估计量的定义、稳定化及数据条件、误差界对问题参数的依赖，以及乘子构造和非渐近置信区间的保证形式。
- 阅读边界
- 所用摘要来自 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出因果识别与近似条件，不能据此判断任意匹配设置下的覆盖表现。
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 non-asymptotically valid confidence intervals.