TESTING LIMITED OVERLAP
有限重叠的检验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：摘要围绕观察性研究的倾向得分重叠及标准处理效应估计量的表现，直接对应因果推断方向。
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
有限重叠的检验
- 研究问题
- 观察性研究中处理组与对照组的特征差异可能产生极端倾向得分，如何正式检验重叠不足的程度并辅助判断处理效应估计条件？
- 方法与思路
- 作者提出仅利用少量极端倾向得分的统计检验，避免依赖某个尾指数的一致估计，并通过模拟考察检验尺寸表现。
- 材料陈述的贡献
- 摘要称，拒绝原假设表示不存在或仅有很轻的重叠不足；方法减少远离尾部观测的外推需求，模拟支持其尺寸表现的陈述。
- 阅读关注点
- 应首先核对原假设和备择的方向，再检查极端得分数量的选择、倾向得分估计误差，以及检验结果与处理效应估计条件的关系。
- 阅读边界
- 仅据所给 Crossref 版本摘要，原假设的数学定义、阈值选择和功效未说明；拒绝结果不能单独保证因果识别，也不代表版本变化。
原文摘要
Extreme propensity scores arise in observational studies when treated and control units have very different characteristics. This is commonly referred to as limited overlap . In this paper, we propose a formal statistical test that helps assess the degree of limited overlap. Rejecting the null hypothesis in our test indicates either no or very mild degree of limited overlap and hence reassures that standard treatment effect estimators will be well behaved. One distinguishing feature of our test is that it only requires the use of a few extreme propensity scores, which is in stark contrast to other methods that require consistent estimates of some tail index. Without the need to extrapolate using observations far away from the tail, our procedure is expected to exhibit excellent size properties, a result that is also borne out in our simulation study.