When to Control for Covariates? Panel Asymptotics for Estimates of Treatment Effects
何时应控制协变量？处理效应估计的面板式渐近分析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：摘要直接比较处理效应估计中的协变量调整与匹配方法，面板式渐近仅是分析框架。
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
何时应控制协变量？处理效应估计的面板式渐近分析
- 研究问题
- 实验和观察研究中，全面控制协变量是否总能提高处理效应估计效率，尤其在分层单元样本较少时？
- 方法与思路
- 作者令单元样本量固定、单元数量增加，以面板式渐近序列比较协变量控制、倾向得分匹配及随机效应估计。
- 材料陈述的贡献
- 摘要称，小单元、协变量额外解释力较低或处理概率接近边界时，倾向得分匹配更优，并提出改善效率的随机效应估计。
- 阅读关注点
- 应核对渐近序列与实际样本的对应、效率比较适用条件，以及随机效应估计需要哪些额外限制和调节选择。
- 阅读边界
- 摘要中的效率优势依赖所述样本情形与比较框架；不能推断控制协变量普遍有害，也不能据标题认定研究对象是纵向面板。
原文摘要
The problem of when to control for continuous or high-dimensional discrete covariate vectors arises in both experimental and observational studies. Large-cell asymptotic arguments suggest that full control for covariates or stratification variables is always efficient, even if treatment is assigned independently of covariates or strata. Here, we approximate the behavior of different estimators using a panel-data-type asymptotic sequence with fixed cell sizes and the number of cells increasing to infinity. Exact calculations in simple examples and Monte Carlo evidence suggest this generates a substantially improved approximation to actual finite-sample distributions. Under this sequence, full control for covariates is dominated by propensity-score matching when cell sizes are small, the explanatory power of the covariates conditional on the propensity score is low, and/or the probability of treatment is close to 0 or 1. Our panel-asymptotic framework also provides an explanation for why propensity-score matching can dominate covariate matching even when there are no empty cells. Finally, we introduce a random-effects estimator that provides finite-sample efficiency gains over both covariate matching and propensity-score matching. 2004 President and Fellows of Harvard College and the Massachusetts Institute of Technology.