New Evidence on the Finite Sample Properties of Propensity Score Reweighting and Matching Estimators
倾向得分重加权与匹配估计量有限样本性质的新证据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：摘要直接比较用于平均处理效应估计的倾向得分重加权与匹配方法。
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…
倾向得分重加权与匹配估计量有限样本性质的新证据
- 研究问题
- 估计平均处理效应时，重加权是否必然逊于匹配，还是二者的有限样本表现取决于重叠程度和模型误设？
- 方法与思路
- 作者扩展既有比较，考察基于经验资料和假设设定的数据生成过程，并分析模型误设对重加权及匹配表现的影响。
- 材料陈述的贡献
- 摘要称，两类方法不存在跨数据生成过程的一致优势；重叠良好时重加权具有竞争力，重叠较差时匹配可能更有效。
- 阅读关注点
- 应核对重叠程度的衡量、倾向得分估计与权重处理、匹配算法及调参方式，以及比较结论采用的偏差和误差指标。
- 阅读边界
- 摘要未说明具体设计、样本量和误设形式，所述比较不能直接推广到所有应用，也未给出选择两类方法的通用阈值。
原文摘要
Fr�lich (2004) compares the finite sample properties of reweighting and matching estimators of average treatment effects and concludes that reweighting performs far worse than even the simplest matching estimator. We argue that this conclusion is unjustified. Neither approach dominates the other uniformly across data-generating processes (DGPs). Expanding on Fr�lich's analysis, this paper analyzes empirical as well as hypothetical DGPs and also examines the effect of misspecification. We conclude that reweighting is competitive with the most effective matching estimators when overlap is good, but that matching may be more effective when overlap is sufficiently poor.