Estimating Average Treatment Effects with Support Vector Machines
使用支持向量机估计平均处理效应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：摘要明确在无混杂假设下通过协变量平衡和加权估计平均因果效应。
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…
关注这篇论文的作者
使用支持向量机估计平均处理效应
- 研究问题
- 在无混杂假设下，如何将支持向量机转化为处理组与对照组的协变量平衡工具，并权衡平衡程度与有效样本量？
- 方法与思路
- 作者将 SVM 改造为核加权程序，兼顾最大均值差异与有效样本量，利用正则化路径计算二者的权衡前沿。
- 材料陈述的贡献
- 摘要称，方法联系基数匹配的连续松弛与核平衡，刻画权衡导致的估计偏差，并在模拟和实证中表现出竞争力。
- 阅读关注点
- 应核对目标处理效应、权重约束、核与正则化参数选择，以及无混杂、重叠和偏差刻画所需的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；协变量平衡不能验证无混杂，摘要也未提供比较优势的数值和范围。
原文摘要
Support vector machine (SVM) is one of the most popular classification algorithms in the machine learning literature. We demonstrate that SVM can be used to balance covariates and estimate average causal effects under the unconfoundedness assumption. Specifically, we adapt the SVM classifier as a kernel-based weighting procedure that minimizes the maximum mean discrepancy between the treatment and control groups while simultaneously maximizing effective sample size. We also show that SVM is a continuous relaxation of the quadratic integer program for computing the largest balanced subset, establishing its direct relation to the cardinality matching method. Another important feature of SVM is that the regularization parameter controls the trade-off between covariate balance and effective sample size. As a result, the existing SVM path algorithm can be used to compute the balance-sample size frontier. We characterize the bias of causal effect estimation arising from this trade-off, connecting the proposed SVM procedure to the existing kernel balancing methods. Finally, we conduct simulation and empirical studies to evaluate the performance of the proposed methodology and find that SVM is competitive with the state-of-the-art covariate balancing methods.