ScoreMatchingRiesz: Score Matching for Debiased Machine Learning and Policy Path Estimation
ScoreMatchingRiesz通过分数匹配方法实现去偏机器学习和政策路径估计，提升政策效应的可解释性。
2026-01-29 cs.LG econ.EM math.ST
Propensity score matching for estimating a marginal hazard ratio
本文推导了有放回且固定匹配数量下边际因果风险比倾向得分匹配估计量的渐近性质，并提出考虑倾向得分估计不确定性的双重重抽样方差估计技术。
2024-02-01 stat.ME
Multiply robust matching estimators of average and quantile treatment effects
倾向得分匹配是处理因果推断中混杂的长期传统，然而需要严格的模型假设。在这篇文章中，我们提出了双评分匹配（DSM）的一般因果被估量利用两个平衡得分，包括倾向得分和预后得分。为了保护可能的模型误指定，我们为每个得分选择多个候选模型。我们表明，去偏DSM估计实现了多重稳健性，因为它是一致的真正的因果估计，如果任何模型的倾向得分或预后分数是正确的。
2020-07-05 stat.ME
Uncertain Neighbors: Bayesian Propensity Score Matching For Causal Inference
我们比较了标准的最近邻倾向得分匹配与类似的贝叶斯倾向得分匹配过程的性能。我们表明，贝叶斯方法更好地利用了可用的信息，因为它使不那么武断的决定，哪些观察下降，哪些保留在匹配的样本。我们进行了模拟研究，以评估标准和贝叶斯最近邻匹配的性能时，匹配和不替换。然后，我们使用这两种方法来复制最近的研究土地改革对游击队活动在哥伦比亚的影响。
2021-05-05 stat.ME
Exact matching as an alternative to propensity score matching
本文将治疗组匹配建模为约束优化问题，提出无需预设权重函数形式的精确匹配方法，并支持多治疗组个体数据及个体与汇总混合数据。
2025-03-04 stat.AP stat.ME
Estimation of High-Dimensional Graphical Models Using Regularized Score Matching
图形模型被广泛用于对大量变量之间的随机相关性进行建模。我们介绍了一种新的方法，估计无向条件独立图的基础上得分匹配损失，介绍了Hyvarinen（2005），并随后在Hyvarinen（2007）扩展。我们提出的正则化分数匹配方法适用于连续观测的设置，并允许计算效率可能非高斯指数族模型的治疗。在充分探索的高斯设置中，正则化分数匹配避免了应用邻域选择技术时出现的不对称问题，并且与直接产生对称估计的现有方法相比，分数匹配方法具有所考虑的损失是二次的并且在$\ell_1$正则化下给出分段线性解路径的优点。在适当的不可表示性条件下，我们表明，$\ell_1$正则化得分匹配是一致的稀疏高维设置的图估计。通过数值实验和RNAseq数据的应用，我们证实正则化分数匹配在高斯情况下达到了最先进的性能，并为非高斯图形模型中的计算效率估计提供了一个有价值的工具。
2016-03-23 stat.ME
Generalized Score Matching
本文提出广义分数匹配的统一渐近理论，适用于连续与离散响应数据，解决归一化常数难处理时的估计问题，并通过真实数据与模拟验证其强实际性能。
2024-04-21 math.ST stat.AP stat.CO
Semi-Implicit Variational Inference via Score Matching
Peking University（北京大学）
针对半隐式变分推断中变分分布密度难求解、现有方法依赖替代ELBO或高成本MCMC的问题，提出基于去噪得分匹配极小极大目标的SIVI-SM方法，在多种贝叶斯推断任务中准确率接近MCMC且优于现有基于ELBO的SIVI方法。
2023-08-19 cs.LG stat.ME stat.ML
Propensity Score Analysis with Matching Weights
倾向得分分析是观察性研究中研究因果处理效应最广泛使用的方法之一。本文研究了用匹配权法估计处理效应。这种方法类似于倾向得分匹配，但提供了许多新的功能，包括有效的估计，严格的方差计算，简单的渐近性，平衡的统计检验，明确识别的目标群体具有最佳的抽样性质，并且不需要选择匹配算法和卡尺大小。此外，我们建议镜像直方图作为一个有用的工具，以图形方式显示平衡。该方法还具有逆概率加权方法的一些特征，但当倾向得分接近0或1时，计算保持稳定。匹配权重估计器的增强版本被开发为具有双重鲁棒性，即，如果结果模型或倾向得分模型是正确的，则估计器是一致的。在数值研究中，所提出的方法表现出更好的性能比许多广泛使用的倾向得分分析方法，如分层的五分之一，匹配的倾向得分，和逆概率加权。
2011-05-15 stat.ME
Diffusion-based Denoising Beats Vanilla Score Matching in Parameter Estimation: A Theoretical Explanation
University of Hamburg（汉堡大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文通过理论分析证明，对于具有分离模态的多峰分布，基于扩散的去噪得分匹配估计器（DDSME）相比普通得分匹配估计器（SME）具有更优的误差界，并解释了扩散方法优越性的原因。
2026-08-21 cs.LG math.ST stat.ME
High-dimensional Log-Error-in-Variable Regression with Applications to Microbial Compositional Data Analysis
在微生物组和基因组研究中，组成数据的回归一直是鉴定与临床表型相关的微生物分类群或基因的重要工具。为了解释测序深度的变化，通常使用经典的对数对比模型，其中读数计数被标准化为组成。然而，零读计数和协变量的随机性仍然是关键问题。在这篇文章中，我们介绍了一个令人惊讶的简单，可解释的，有效的方法，通过一个新的高维对数误差变量回归模型的镜头成分数据回归估计。所提出的方法提供了对测序数据的校正和可能的过度分散，同时避免了对零读数计数的任何主观归因。我们提供了理论上的理由与匹配的上限和下限的估计误差。通过实际数据分析和仿真研究，说明了该程序的优点。
2021-03-10 math.ST stat.AP stat.ME
Likelihood-Free Inference via Structured Score Matching
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出结合分数匹配与梯度优化的无似然推断框架，通过定制化分数匹配估计器和架构正则化方案，提升参数估计精度与可扩展性，并通过实验验证其有效性。
2026-03-30 stat.ME
Generalized Score Matching for Non-Negative Data
University of Washington（华盛顿大学）；University of Copenhagen（哥本哈根大学）
在估计概率密度函数的参数时，一个常见的挑战是归一化常数的棘手性。虽然在这种情况下，可以使用数值积分来实现极大似然估计，但是该方法在计算上变得密集。Hyvärinen [2005]的得分匹配方法避免了直接计算归一化常数，并得到了$\mathbb{R}^m$上连续分布的指数族的封闭形式估计。Hyvärinen [2007]将该方法扩展到非负正负号$\mathbb{R}_+^m$上支持的分布。在本文中，我们给出了一个广义形式的得分匹配的非负数据，提高了估计效率。作为一个例子，我们考虑一般类的成对相互作用模型。为了解决一个被忽视的不存在的问题，我们推广了Lin et al. [2016]的正则化得分匹配方法，并改进了其对非负高斯图模型的理论保证。
2019-05-19 cs.LG stat.ME stat.ML
Isotonic propensity score matching
本文提出一种基于等距回归估计倾向得分的一对多匹配估计量，用于估计平均处理效应，解决现有匹配方法的效率、参数选择、稳健性及自举有效性问题。
2025-01-23 econ.EM stat.ME
The geometry of Stein's method of moments: A canonical decomposition via score matching
The Graduate University for Advanced Studies, SOKENDAI（advanced studies 高等研究院）；The Institute of Statistical Mathematics（统计数学研究所）
本文探讨了Stein方法的几何结构，通过分数匹配构建了改进的估计器，分析了Stein方法与Wasserstein几何的关系，并讨论了分数匹配估计器的渐近效率条件。
2026-03-13 math.ST stat.ME stat.TH
Score Matching With Missing Data
School of Mathematics, University of Bristol, Bristol, UK（布里斯托大学数学学院）；School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院）
本文针对缺失数据场景提出重要性加权和变分两种得分匹配变体，分别适用于低维小样本与高维复杂情形，并在图模型估计任务中验证了各自优势。
2025-05-31 cs.LG stat.ME stat.ML
Generalized Score Matching for Regression
许多概率模型有一个棘手的归一化常数可以扩展到包含协变量。由于这些模型的精确似然评估是困难的，甚至是不可能的，分数匹配，提出了避免显式计算的归一化常数。在文献中，分数匹配到目前为止只发展为模型中的观察是独立和同分布（IID）。然而，IID假设在回归型模型的传统固定设计设置中不成立。为了处理这些协变量依赖模型的估计，本文提出了一种新的得分匹配方法，独立的，但不一定同分布的数据下的一般框架下的连续和离散的响应，其中包括一个新的广义得分匹配方法计数响应回归。我们证明了我们提出的分数匹配估计是一致的，渐近正常的温和的正则性条件下。仿真研究和实际数据的例子支持的理论结果。此外，我们的模拟结果表明，相比于近似极大似然估计，广义分数匹配产生的估计值在应用于博士论文数据时具有显著较小的偏差。
2022-03-18 math.ST stat.ME stat.TH
Graphical Models for Non-Negative Data Using Generalized Score Matching
在估计概率密度函数的参数时，一个常见的挑战是归一化常数的棘手性。虽然在这种情况下，可以使用数值积分来实现极大似然估计，但是该方法在计算上变得密集。相比之下，Hyvärinen（2005）的得分匹配方法避免了直接计算归一化常数，并为$\mathbb{R}^m$上的连续分布的指数族提供了封闭形式的估计。Hyvärinen（2007）将该方法扩展到非负正负号$\mathbb{R}_+^m$上支持的分布。在本文中，我们给出了一个广义形式的得分匹配的非负数据，提高了估计效率。我们还将Lin等人的正则化得分匹配方法推广到非负高斯图模型（2016），并改进了理论保证。
2018-02-18 stat.ME
On Stein's Method of Moments and Generalized Score Matching
University of Kent（肯特大学）
本文探讨了矩法参数估计中Stein类的两个需指定函数，通过设置其中一个为密度得分函数的导数，提出广义得分匹配估计器，并讨论了选择合适权重函数的挑战，提出通过数据变换优化权重函数。
2026-06-28 stat.ME
Simulation-based Inference via Langevin Dynamics with Score Matching
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出一种结合分数匹配与兰格vin动力学的可扩展模拟推理方法，通过局部化方案和结构化分数网络提升统计效率和计算可扩展性。
2026-06-29 stat.CO stat.ME stat.ML
Adjusting for Unmeasured Spatial Confounding with Distance Adjusted Propensity Score Matching
倾向得分匹配是观察性研究中调整观察到的混杂因素的常用工具，但已知在存在未测量混杂因素时存在局限性。在许多情况下，研究人员面临的空间索引数据的观测单位的相对位置可以作为一个有用的代理未测量的混杂，根据空间模式的变化。我们开发了一种新的方法，称为距离调整的倾向得分匹配（DAPSm），将单位的空间接近的信息纳入一个倾向得分匹配过程。我们表明，DAPSm可以调整观察到的和一些形式的未观察到的混杂和评估其性能相对于其他几个合理的替代方案，将空间信息纳入倾向得分调整。该方法的动机是，并适用于一个比较有效的调查发电厂减排技术，旨在减少人口暴露于环境臭氧污染。最后，DAPSm提供了一个框架，用于增强一个“标准”的倾向得分分析与空间接近的信息，并提供了一个透明的和原则性的方式来评估优先观察到的混淆调整与空间接近调整的相对权衡。
2017-12-06 stat.ME
Examining the Efficacy of Coarsened Exact Matching as an Alternative to Propensity Score Matching
Washington University in St. Louis（圣路易斯华盛顿大学）
本文指出粗化精确匹配在处理大量协变量时不如倾向分数匹配稳健，因CEM存在残余混杂和模型依赖性问题，而PSM在减少不平衡和应对模型不规范方面表现更优。
2026-01-31 stat.ME
Score-Matching Representative Approach for Big Data Analysis with Generalized Linear Models
我们提出了一种快速有效的策略，称为代表性的方法，大数据分析与广义线性模型，特别是对分布式数据的本地化要求或有限的网络带宽。该方法对给定的海量数据块进行划分，为每个数据块构造一个代表数据点，并利用代表数据点拟合目标模型。就时间复杂度而言，它与文献中的子采样方法一样快。至于效率，它的精度估计参数给定一个均匀的分区是可比的分治方法。通过全面的模拟研究和理论论证，我们得出结论，平均代表（MR）工作良好的线性模型或广义线性模型具有平坦的逆链接函数和适度的连续预测系数。对于一般情况下，我们建议的分数匹配代表（SMR），这可能会提高估计的准确性显着匹配的得分函数值。作为一个说明性的应用程序的航空公司的时间性能数据，我们表明，MR和SMR估计是一样好的完整的数据估计时可用。
2021-12-14 stat.ME
Propensity Score Augmentation in Matching-based Estimation of Causal Effects
本文提出一种基于增广倾向评分模型的新型匹配估计量，在存在预后变量时比传统匹配方法具有更高统计效率，并用于估计包皮环切术对HIV-1感染风险的影响。
2024-09-28 math.ST stat.ME stat.TH
