Regression modelQuasi-experimental / causal inference
匹配估计量
匹配估计量通过将每个处理单元与一个或多个具有相似可观察特征的未处理单元进行配对，来识别处理的因果效应。该方法由 Rubin (1973) 正式提出，并由 Abadie 和 Imbens (2006) 提供了严格的大样本理论，它可以在不要求结果参数模型的情况下，从观察性数据中构建一个可信的对照组。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
另有 15 项
来源
- 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 ↗
- Rubin, D. B. (1973). Matching to Remove Bias in Observational Studies. Biometrics, 29(1), 159-183. DOI: 10.2307/2529684 ↗
如何引用本页
ScholarGate. (2026, June 3). Nonparametric Matching Estimator for Average Treatment Effects. ScholarGate. https://scholargate.app/zh/causal-inference/matching-estimator
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- 粗化精确匹配 (CEM)因果推断↔ 比较
- 双重差分法 (Diff-in-Diff)计量经济学↔ 比较
- 双重稳健估计（AIPW）因果推断↔ 比较
- 逆概率治疗加权法 (IPW / IPTW)因果推断↔ 比较
- 倾向得分匹配研究统计学↔ 比较
- 倾向得分加权法 (PSW / IPW)因果推断↔ 比较