Regression modelQuasi-experimental / causal inference

Estimateur par appariement

L'estimateur par appariement identifie l'effet causal d'un traitement en associant chaque unité traitée à une ou plusieurs unités non traitées présentant des caractéristiques observées similaires. Formalisé par Rubin (1973) et doté d'une théorie rigoureuse en grands échantillons par Abadie et Imbens (2006), il construit un groupe de contrôle crédible à partir de données observationnelles sans nécessiter de modèle paramétrique pour le résultat.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

+15 more

Sources

  1. Abadie, A., & Imbens, G. W. (2006). Large Sample Properties of Matching Estimators for Average Treatment Effects. Econometrica, 74(1), 235-267. DOI: 10.1111/j.1468-0262.2006.00655.x
  2. Rubin, D. B. (1973). Matching to Remove Bias in Observational Studies. Biometrics, 29(1), 159-183. DOI: 10.2307/2529684

Comment citer cette page

ScholarGate. (2026, June 3). Nonparametric Matching Estimator for Average Treatment Effects. ScholarGate. https://scholargate.app/fr/causal-inference/matching-estimator

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Référencée par

ScholarGateMatching Estimator (Nonparametric Matching Estimator for Average Treatment Effects). Consulté le 2026-06-15 sur https://scholargate.app/fr/causal-inference/matching-estimator · Jeu de données : https://doi.org/10.5281/zenodo.20539026