Convergence rate for Nearest Neighbour matching: geometry of the domain and higher-order regularity
最近邻匹配的收敛率：支持域几何与高阶正则性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：摘要明确讨论反事实分析，并给出平均处理效应最近邻匹配估计量的渐近效率结论。
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
最近邻匹配的收敛率：支持域几何与高阶正则性
- 研究问题
- 最近邻匹配在协变量维度较高时如何控制慢速衰减的偏差，支持域边界和高阶正则性又如何影响收敛及效率？
- 方法与思路
- 作者分析匹配偏差的高阶性质，放宽目标支持域严格包含于来源支持域的要求，并研究两类避免边界偏差的几何条件。
- 材料陈述的贡献
- 摘要称几何条件比通常的凸支持域假设更一般，并称所研究的平均处理效应匹配估计量在协变量维度小于四时可渐近有效。
- 阅读关注点
- 应核对两类几何条件、平滑度和重叠要求，尤其关注维度小于四的效率结论是否还依赖其他条件或估计步骤。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出完整正则条件、偏差展开及效率证明。
原文摘要
Estimating some mathematical expectations from partially observed data and in particular missing outcomes is a central problem encountered in numerous fields such as transfer learning, counterfactual analysis or causal inference. Matching estimators, estimators based on k-nearest neighbours, are widely used in this context. It is known that the variance of such estimators can converge to zero at a parametric rate, but their bias can have a slower rate when the dimension of the covariates is larger than 2. This makes analysis of this bias particularly important. In this paper, we provide higher order properties of the bias. In contrast to the existing literature related to this problem, we do not assume that the support of the target distribution of the covariates is strictly included in that of the source, and we analyse two geometric conditions on the support that avoid such boundary bias problems. We show that these conditions are much more general than the usual convex support assumption, leading to an improvement of existing results. Furthermore, we show that the matching estimator studied by Abadie and Imbens (2006) for the average treatment effect can be asymptotically efficient when the dimension of the covariates is less than 4, a result only known in dimension 1.