Outcome-Adjusted Balance Measure for Generalized Propensity Score Model Selection
用于广义倾向得分模型选择的结局调整平衡指标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：摘要直接研究多水平处理的广义倾向得分与平均处理效应估计。
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…
关注这篇论文的作者
用于广义倾向得分模型选择的结局调整平衡指标
- 研究问题
- 在具有两个以上处理水平的观察性研究中，如何选择广义倾向得分模型，使两两平均处理效应估计兼顾一致性与效率？
- 方法与思路
- 作者对各候选模型进行匹配填补，以协变量与结局的关系构造权重，最小化填补值和原始值之间的加权绝对均值差。
- 材料陈述的贡献
- 摘要称在适当假设下，该指标能一致选择最优模型，使相应匹配估计渐近正态且有效，并提供模拟及辅导数据应用。
- 阅读关注点
- 核对最优模型仅包含结局相关变量的条件、权重估计方式、候选模型要求，以及模型选择后正态性与效率结论的含义。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未列出适当假设，不能将变量选择原则推广到所有观察性研究。
原文摘要
In this article, we propose the outcome-adjusted balance measure to perform model selection for the generalized propensity score (GPS), which serves as an essential component in estimation of the pairwise average treatment effects (ATEs) in observational studies with more than two treatment levels. The primary goal of the balance measure is to identify the GPS model specification such that the resulting ATE estimator is consistent and efficient. Following recent empirical and theoretical evidence, we establish that the optimal GPS model should only include covariates related to the outcomes. Given a collection of candidate GPS models, the outcome-adjusted balance measure imputes all baseline covariates by matching on each candidate model, and selects the model that minimizes a weighted sum of absolute mean differences between the imputed and original values of the covariates. The weights are defined to leverage the covariate-outcome relationship, so that GPS models without optimal variable selection are penalized. Under appropriate assumptions, we show that the outcome-adjusted balance measure consistently selects the optimal GPS model, so that the resulting GPS matching estimator is asymptotically normal and efficient. We compare its finite sample performance with existing measures in a simulation study. We illustrate an application of the proposed methodology in the analysis of the Tutoring data.