Covariate distribution balance via propensity scores
通过倾向得分实现协变量分布平衡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。
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：摘要明确涉及倾向得分、因果识别框架，以及平均、分布和分位数处理效应。
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…
通过倾向得分实现协变量分布平衡
- 研究问题
- 如何估计倾向得分以改善不同处理组之间的整体协变量分布平衡，并据此估计平均、分布和分位数处理效应？
- 方法与思路
- 作者提出数据驱动的倾向得分估计，使处理组协变量分布尽可能接近，并推导基于该得分的逆概率加权效应估计的渐近性质。
- 材料陈述的贡献
- 摘要称，方法可在无混杂或局部处理效应等不同识别框架下使用，并通过模拟与实证应用展示多类处理效应估计的有限样本表现。
- 阅读关注点
- 应核对分布平衡的度量与优化方式、各处理效应对应的识别条件，以及得分估计误差如何影响加权估计与推断。
- 阅读边界
- 摘要未列出不同识别框架的完整条件、模拟结果或优越性数值；协变量平衡本身不能证明无混杂或其他因果识别条件成立。
原文摘要
Summary This paper proposes new estimators for the propensity score that aim to maximize the covariate distribution balance among different treatment groups. Heuristically, our proposed procedure attempts to estimate a propensity score model by making the underlying covariate distribution of different treatment groups as close to each other as possible. Our estimators are data‐driven and can be used to estimate different treatment effect parameters under different identifying assumptions, including unconfoundedness and local treatment effects. We derive the asymptotic properties of inverse probability weighted estimators for the average, distributional, and quantile treatment effects based on the proposed propensity score estimator and illustrate their finite sample performance via Monte Carlo simulations and an empirical application.