Overlap, matching, or entropy weights: what are we weighting for?
重叠权重、匹配权重与熵权重：究竟在估计什么？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：摘要明确讨论处理效应估计、倾向概率权重、正值性和不同目标人群。
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
重叠权重、匹配权重与熵权重：究竟在估计什么？
- 研究问题
- 处理分配不平衡和正值性不足时，重叠、匹配与熵权重估计什么目标效应，它们何时可能与逆概率加权或截尾结果相近？
- 方法与思路
- 作者分析处理分配失衡对正值性与效应估计的影响，比较均衡权重、逆概率加权及截尾，并通过蒙特卡洛与医疗支出实例说明。
- 材料陈述的贡献
- 摘要称，论文解释采用这些权重的理由，辨析其目标效应与 ATE、ATT、ATC 的关系，并讨论不同方法结果接近的情境。
- 阅读关注点
- 应核对各权重对应的目标人群和估计量定义、正值性要求，以及截尾或改权重后效应变化来自目标改变还是估计误差。
- 阅读边界
- 这是预印本，同行评审或接收未经核实。摘要未给出相似结果的具体条件或模拟数值，不能确认任一权重普遍更稳健。
原文摘要
There has been a recent surge in statistical methods for handling the lack of adequate positivity when using inverse probability weights (IPW). However, these nascent developments have raised a number of questions. Thus, we demonstrate the ability of equipoise estimators (overlap, matching, and entropy weights) to handle the lack of positivity. Compared to IPW, the equipoise estimators have been shown to be flexible and easy to interpret. However, promoting their wide use requires that researchers know clearly why, when to apply them and what to expect. In this paper, we provide the rationale to use these estimators to achieve robust results. We specifically look into the impact imbalances in treatment allocation can have on the positivity and, ultimately, on the estimates of the treatment effect. We zero into the typical pitfalls of the IPW estimator and its relationship with the estimators of the average treatment effect on the treated (ATT) and on the controls (ATC). Furthermore, we also compare IPW trimming to the equipoise estimators. We focus particularly on two key points: What fundamentally distinguishes their estimands? When should we expect similar results? Our findings are illustrated through Monte-Carlo simulation studies and a data example on healthcare expenditure.