Causal Inference for Aggregated Treatment
本文研究了聚合治疗的因果推断问题，指出在随机分配等理想场景下，聚合治疗的权重存在不唯一、可能为负等缺陷，并提出相应解决方法。
2026-01-07 econ.EM
Partial Identification and Inference for Conditional Distributions of Treatment Effects
本文研究可观测协变量下处理效应条件分布的识别与推断，利用 Makarov 界限给出其上下界，并针对内生处理提出随机占优假设收紧界限，构建了支撑集上一致有效的非参数估计框架。
2023-11-22 econ.EM
Sharp Bounds and Inference in Sample Selection Models with Treatment Endogeneity
University of California Irvine（加州大学尔湾分校）；Aarhus University（奥胡斯大学）
本文针对非参数样本选择模型中内生治疗和弱样本选择单调性，提出了治疗效应的部分识别与推断方法，推导出更紧的边界并开发了去偏机器学习推断程序。
2026-06-08 econ.EM
Bootstrap Inference for Quantile Treatment Effects in Randomized Experiments with Matched Pairs
本文研究了配对设计随机试验中分位数处理效应的推断方法。标准的乘数自举推断无法捕捉每对观测值的负相关性，因此是保守的。分析推理涉及估计需要多个调谐参数的多个函数量。相反，本文提出了两种自助方法，可以一致地近似原始QTE估计的极限分布，并减轻调整参数选择的负担。最特别的是，逆倾向分数加权乘数自助法可以在不知道对身份的情况下实现。
2021-05-13 econ.EM
Economic Causal Inference Based on DML Framework: Python Implementation of Binary and Continuous Treatment Variables
本研究基于模拟数据用Python实现DML框架，验证其在二元与连续处理变量下计算ATE的稳定性，并指出CATE计算是未来挑战。
2025-02-27 econ.EM
Estimation and Inference for Policy Relevant Treatment Effects
政策相关处理效应（PRTE）衡量从现状政策转换为反事实政策的平均效果。PRTE的估计涉及多个初步参数的估计，包括倾向评分、结局的条件期望函数和协变量（给定倾向评分）以及边际处理效应。这些初步估计可以影响渐近分布的PRTE估计在复杂和棘手的方式。鉴于此，我们提出了一个正交得分的双重去偏估计的PRTE，从而获得的渐近分布的PRTE估计没有任何影响的初步参数估计，只要他们满足温和的收敛速度的要求。据我们所知，本文是第一个发展极限分布理论的推断有关的PRTE。
2020-07-16 econ.EM
Inference on the TSLS Estimand with Weak Instruments and Treatment Effect Heterogeneity
University of Chicago（芝加哥大学）
针对弱工具变量和处理效应异质性，提出TSLS似然比统计量结合两步法，实现工具变量回归中TSLS估计量的稳健推断。
2026-06-05 econ.EM
Using Pre-Trends for Inference in Difference-in-Differences
Sciences Po（巴黎政治学院）
研究利用多个预处理期的双重差分法推断问题，提出以预处理趋势为治疗后DID参考分布的简单推断程序，与现有共形推断程序相关但有独特识别限制，且无需平行趋势假设。
2026-07-24 econ.EM
Estimation and Inference on Average Treatment Effect in Percentage Points under Heterogeneity
School of Economics and Wang Yanan Institute for Studies in Economics, Xiamen University（厦门大学经济学院和王亚南经济研究院）
针对半对数回归中处理效应异质性导致的近似偏差，提出考虑可观测子组异质性的估计量，为相关目标子总体提供百分点ATE的下界，并通过蒙特卡洛实验和实证应用验证其重要性。
2026-07-01 econ.EM
Extensions for Inference in Difference-in-Differences with Few Treated Clusters
在治疗单位较少的情况下，双重差分法（DID）估计量不一致，并且通常不是渐近正态的。这对推理提出了相关的挑战。虽然存在在这些环境中有效的推断方法，但当治疗时间和异质处理效应存在变化时，或为事件研究图推导统一置信带时，其中一些替代方法并不容易获得。我们提出的替代品在设置与几个治疗单位是有效的治疗时间和/或允许统一的置信带的变化。
2023-02-06 econ.EM
A Unified Framework for Identification and Inference of Local Treatment Effects in Sharp Regression Kink Designs
本文为尖锐回归扭折设计中的局部处理效应开发了一个统一的识别、估计与一致推断框架，通过局部多项式约束回归实现估计，并应用于检验失业保险对失业持续期分布及不平等的影响。
2025-10-31 econ.EM
Identification and Inference on Treatment Effects under Covariate-Adaptive Randomization and Imperfect Compliance
本文研究了在协变量自适应随机化与不完全依从的二元处理RCTs中ATE和ATT的识别与推断，推导了识别集刻画，提出了一致估计量与渐近置信区间，并给出了估计处理分配概率的最优实用建议。
2025-04-30 econ.EM
Inference for Treatment Effects Conditional on Generalized Principal Strata using Instrumental Variables
University of Southern California（南加州大学）；University of Chicago（芝加哥大学）；Massachusetts Institute of Technology（麻省理工学院）；University of California–Los Angeles（加利福尼亚大学洛杉矶分校）；Yale University（耶鲁大学）
针对含离散处理与工具变量的场景，本文提出广义主层条件下处理效应的通用推断框架，刻画了参数识别集特征并构建了对应的推断方法。
2026-09-22 econ.EM
Which Policy Works, and Where? Estimation and Inference for State-Level Treatment Effects in Difference-in-Differences
Dalhousie University（达尔豪斯大学）；Carleton University（卡尔顿大学）；McGill University（麦吉尔大学）
该研究针对双重差分法，区分不同维度的亚组处理效应，提出UN-DID和DID-INT估计量，通过CPS模拟分析其推断特性，强调估计目标与方法需匹配政策场景。
2026-09-02 econ.EM
Randomization Inference of Heterogeneous Treatment Effects under Network Interference
针对网络干扰下的异质性处理效应，提出基于随机化的检验程序，构建数据依赖焦点分配集，建立渐近有效性并应用于实验数据。
2025-06-24 econ.EM
Predicting the Distribution of Treatment Effects: A Covariate-Adjustment Approach
Stanford University（斯坦福大学）
本文提出一种通过协变量调整预测反事实来推断处理效应分布的方法，并利用样本分割和交叉拟合提供有限样本和渐近有效的推断，应用于小额信贷随机对照试验发现显著分布效应。
2026-10-12 econ.EM
Conformalized Lee Inference: Distribution-Free Prediction Sets for Individual Treatment Effect under Monotone Sample Selection
Graduate School of Economics, University of Tokyo（东京大学大学院经济学研究科）
研究单侧选择随机研究中的预测问题，提出共形化李程序，利用处理后的选定观测值训练和检验预测规则，通过观测到的处理-对照选择差距调整临界值，提供可靠覆盖率。
2026-09-17 econ.EM
Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
本文针对随机网络干扰下的因果推断，引入 Ising 模型刻画处理分配依赖，建立 Hájek 估计量的 Berry-Esseen 型及一致分布近似，并提出基于条件高斯化和重采样的稳健推断程序，通过 Monte Carlo 模拟验证其有效性。
2025-06-26 econ.EM stat.ME
Inference for Low-rank Completion without Sample Splitting with Application to Treatment Effect Estimation
本文提出一种无需样本分割的低秩矩阵补全推断方法，证明核范数惩罚后特征向量的最小二乘估计具有渐近正态性，并将其应用于估计总统投票对联邦预算分配的平均处置效应。
2023-07-31 econ.EM stat.ME
Supplementary Appendix for "Inference on Treatment Effects After Selection Amongst High-Dimensional Controls"
在本补充附录中，我们提供了补充正文（arXiv：1201.0224）分析的额外结果，省略的证明和广泛的模拟。
2013-06-20 econ.EM math.ST stat.TH
Comment on "Generic machine learning inference on heterogeneous treatment effects in randomized experiments."
本文针对CDDF提出的分样本稳健推断计算成本过高的问题，提出一种基于交叉拟合和设计推断的随机化推断方法，在保持通用性和统计效率的同时显著降低计算负担。
2025-02-10 econ.EM stat.ME
Randomization Inference For the Always-Reporter Average Treatment Effect
Columbia University（哥伦比亚大学）；Princeton University（普林斯顿大学）
本文研究随机化推断在存在流失的随机对照试验中的处理效应，聚焦始终报告者（AR-ATE）的平均处理效应，提出一种最坏情况随机化检验以确保统计显著性。
2026-03-27 econ.EM stat.ME
Inference under Covariate-Adaptive Randomization with Multiple Treatments
本文研究了多个治疗方案下协变量自适应随机化随机对照试验的推断问题。更具体地说，我们研究了一种或多种治疗相对于其他治疗或对照的平均效果的推断。如Bugni et al.（2018）所述，协变量自适应随机化是指首先根据基线协变量进行分层，然后分配治疗状态以实现各分层内平衡的随机化方案。与Bugni et al.（2018）相比，我们不仅允许多种治疗，而且还允许分配给每种治疗的单位比例在层间变化。我们首先研究来自完全饱和线性回归的估计量的性质，即，每种治疗的指标与每一层的指标之间所有相互作用的结果的线性回归。我们表明，这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是无效的，另一方面，测试的基础上，这些估计和适当的估计，我们提供的渐近方差是准确的。对于分配给每个处理的目标单位比例在不同层之间没有变化的特殊情况，我们还考虑了基于从具有层固定效应的线性回归中得出的估计量的检验，即，每种治疗的指标和每一层的指标的结果的线性回归。我们表明，这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是保守的，但测试的基础上，这些估计和适当的估计，我们提供的渐近方差是准确的。模拟研究说明了我们的理论结果的实际意义。
2019-01-17 econ.EM stat.ME
Comment on "Sequential validation of treatment heterogeneity" and "Comment on generic machine learning inference on heterogeneous treatment effects in randomized experiments"
本文回应两篇相关评论，肯定其对基于样本拆分代理估计后靶向 CATE 汇总特征这一研究议程及推断问题的讨论，并指出替代方案将促进后续研究。
2025-02-19 econ.EM stat.ME
Causal Inference for Spatial Treatments
Duke University（杜克大学）
本文从实验视角出发，提出空间处理的因果效应估计方法，通过比较实际处理地点和虚拟候选地点附近的单位，推导基于设计的标准误差，并利用机器学习方法处理高维数据，研究新冠疫情期间超市对周边商业Foot Traffic的影响。
2026-04-24 econ.EM stat.ME
Sparsity Double Robust Inference of Average Treatment Effects
许多流行的方法用于在高维混杂下建立因果效应的置信区间，需要强的“超稀疏”假设，这可能难以在实践中验证。为了减轻这一困难，我们在这里研究一种新的方法，平均治疗效果估计，产生渐近精确的置信区间，假设条件响应面或治疗的条件概率允许超稀疏表示（但不一定两者）。这种保证使我们能够在比现有基线更普遍的情况下，为高维的平均治疗效果提供有效的推断。此外，我们展示了我们的结果是半参数有效的。
2019-05-02 econ.EM math.ST stat.ME
Causal Inference on Networks under Continuous Treatment Interference
针对连续处理与网络干扰下的非实验政策评估场景，提出基于广义倾向得分的估计量，可估计直接和溢出效应并适配异质强度的非对称网络，农业市场应用显示忽略干扰会低估政策有效性。
2023-06-12 econ.EM stat.AP stat.ME
Approximate Residual Balancing: De-Biased Inference of Average Treatment Effects in High Dimensions
在许多情况下，研究人员对估计平均处理效应感兴趣，并愿意依赖于无混淆假设，这要求处理分配与处理前变量的随机条件一样好。如果分析中包含大量治疗前变量，则无混淆假设通常更合理，但这可能会恶化标准方法估计处理效应的性能。在本文中，我们开发了一种方法去偏惩罚回归调整，允许稀疏回归方法，如套索被用于sqrt{n}-一致的推断平均处理效应在高维线性模型。鉴于线性，我们不需要假设治疗倾向是可估计的，或者平均处理效应是结果模型参数的稀疏对比。相反，除了用于使结果模型上的套索回归在1-范数误差下一致的标准假设之外，我们只需要重叠，即，倾向得分均匀地远离0和1。在程序上，我们的方法结合了平衡权重与正则化回归调整。
2018-01-31 econ.EM math.ST stat.ME
Finite-Sample Optimal Estimation and Inference on Average Treatment Effects Under Unconfoundedness
我们考虑在不混淆条件下对平均处理效应的估计和推断，条件是处理变量和协变量的实现。给定非参数平滑和/或形状限制的条件均值的结果变量，我们得到的估计和置信区间（CI）是最佳的在有限样本时，回归误差是正常的已知方差。与传统的CI相比，我们的CI使用更大的临界值，明确考虑了估计量的潜在偏差。当误差分布未知时，我们的CI的可行版本渐近有效，即使由于缺乏重叠或条件均值的平滑度低而无法进行$\sqrt{n}$ -推断。我们还得到了最小光滑条件的条件平均是必要的$\sqrt{n}$推断。当条件均值被限制为Lipschitz且Lipschitz常数有足够大的界时，最优估计量简化为匹配估计量，匹配次数设置为1。我们说明了我们的方法在应用程序中的国家支持的工作示范。
2021-01-18 econ.EM stat.AP stat.ME
Estimation and Inference of Treatment Effects with $L_2$-Boosting in High-Dimensional Settings
实证研究人员越来越多地面临着丰富的数据集包含许多控制或工具变量，使其必须选择一个适当的方法来选择变量。在本文中，我们提供了有效的推理后，或正交$L_2$ -Boosting变量选择的结果。我们考虑了在许多控制变量和工具变量模型中选择后的处理效应，这些模型具有潜在的许多工具。为了实现这一点，我们建立了迭代后$L_2$ -Boosting和正交$L_2$ -Boosting在类似于Lasso的高维设置中的收敛速率的新结果，即，在近似稀疏下，不假设β-min条件。这些结果被推广到2SLS框架，并为处理效应分析提供了有效的推论。我们给出了广泛的仿真结果，所提出的方法，并将它们与Lasso。在实证应用中，我们构建了有效的IV与我们提出的方法来估计合并前的重叠在美国的银行分行网络的并购后的股票收益的收购银行的影响。
2021-07-01 econ.EM stat.ME stat.ML
Inference on Treatment Effects After Selection Amongst High-Dimensional Controls
我们提出了强大的方法推理的效果，治疗变量的标量结果中存在很多控制。我们的设置是一个部分线性模型，可能是非高斯和异方差干扰。我们的分析允许对照数量远大于样本量。为了使信息推理可行，我们要求模型近似稀疏;也就是说，我们要求通过调节相对少量的身份未知的控制，可以控制混杂因素的影响，直到一个小的近似误差。后一种情况使得有可能通过选择近似正确的对照组来估计处理效应。我们开发了一种新的估计和一致有效的推理方法的处理效应在这种情况下，称为“后双重选择”的方法。我们的研究结果适用于拉索型方法用于协变量选择以及任何其他模型选择方法，能够找到一个稀疏的模型具有良好的近似性能。我们的方法的主要吸引人的特征是它允许对照的不完美选择，并提供在一大类模型中一致有效的置信区间。相比之下，标准的后模型选择估计无法提供统一的推理，即使在简单的情况下，一个小的，固定数量的控制。因此，我们的方法解决了一个大的，有趣的一类模型的模型选择后的统一推理的问题。我们用数值模拟和堕胎对犯罪率的影响的应用说明了所开发的方法的使用。
2012-05-09 econ.EM stat.AP stat.ME
Synthetic learner: model-free inference on treatments over time
Stanford Graduate School of Business（斯坦福大学商学院）；University of California at San Diego（加州大学圣地亚哥分校）
了解特定治疗或政策的影响涉及许多感兴趣的领域，从政治经济学，营销到医疗保健。在本文中，我们开发了一种非参数算法，用于在合成控制的背景下检测治疗随时间的影响。该方法建立在来自许多算法的反事实预测的基础上，而不必假设算法正确地捕获模型。我们介绍了一个推理过程检测处理效应，并表明测试过程是渐近有效的平稳，β混合过程，而不施加任何限制的基础算法的考虑。我们讨论的一致性保证平均处理效应估计和获得遗憾的界限所提出的方法。这类算法可以包括随机森林、Lasso或任何其他机器学习估计器。数值研究和应用表明该方法的优点。
2022-08-23 cs.LG econ.EM stat.ME
Robust Inference on Average Treatment Effects with Possibly More Covariates than Observations
本文关注模型选择后平均治疗效果的稳健推断。在可观测量选择框架下，我们给出了如何构造基于双稳健估计的置信区间，该估计对模型选择误差是稳健的，并证明了它们在一大类处理效应模型上是一致有效的.该类允许多值处理具有异质效应（在可观测量中），一般异方差性，以及在（可能）比观测值更多的协变量中进行选择。在适当的条件下，我们的估计达到了半参数有效界。精确的条件给出了任何模型选择器产生这些结果，我们展示了如何将数据驱动的选择与经济理论相结合。为了实现，我们给出了一个具体的建议，选择基于组套索，这是特别适合于治疗效果的数据，并得出新的结果，高维，稀疏多项式逻辑斯谛回归。仿真研究表明，我们的估计在有限样本在广泛的模型表现得很好。重新访问国家支持的工作示范数据，我们的方法产生准确的估计和紧置信区间。
2018-02-01 econ.EM math.ST stat.ME
Identification and Inference for Synthetic Controls with Confounding
本文在存在未观测混杂的面板数据中，利用随机因子模型研究处理效应的识别与推断，揭示时间与个体层面混杂的权衡，并为多种合成控制估计量建立渐近推断结果。
2023-12-01 econ.EM math.ST stat.ME
Inference on Quantile Treatment Effects with Small Treatment Groups
本研究针对多值处理模型中自然出现的小处理组，开发了允许处理组规模保持有界的条件分位数处理效应推断方法，通过结合条件分位数函数估计与分位数指标的伯努利表示，经蒙特卡洛实验验证了其有限样本性能。
2026-10-23 econ.EM econ.GN math.ST
Treatment Effect Risk: Bounds and Inference
由于平均处理效应衡量的是社会福利的变化，即使是积极的，也有可能对大约10%的人口产生负面影响。然而，评估这种风险是困难的，因为从未观察到任何一个个体处理效应（ITE），因此无法确定10%的最严重影响，而分布处理效应仅比较每个治疗组内的前十分位数，这不对应于任何10%的亚群。在本文中，我们考虑如何评估这一重要的风险措施，正式的条件风险价值（CVaR）的ITE分布。我们利用预处理协变量的可用性，并通过协变量条件平均处理效应（CATE）函数来表征ITE-CVaR的最严格可能的上限和下限。然后，我们继续研究如何有效地估计这些界限的数据和构造置信区间。即使在随机实验中，这也是具有挑战性的，因为它需要了解未知CATE函数的分布，如果我们使用丰富的协变量以便最好地控制异质性，这可能非常复杂。我们开发了一种去偏置方法，克服了这一点，并证明它享有良好的统计特性，即使CATE和其他滋扰估计的黑箱机器学习，甚至不一致。研究一个假设的变化，法国求职咨询服务，我们的界限和推断表明，一个小的社会福利带来了负面影响的一个重要的亚群。
2022-07-19 econ.EM math.OC stat.ME
Estimation and Inference in Boundary Discontinuity Designs: Location-Based Methods
Princeton University（普林斯顿大学）
本文研究了基于位置的局部多项式处理效应估计器，提出对边界平均处理效应曲线及两个聚合因果参数的点估计与统一推断方法，适用于尖锐和模糊设计，并通过实证应用展示方法。
2026-05-14 econ.EM math.ST stat.AP
Program Evaluation and Causal Inference with High-Dimensional Data
在本文中，我们提供了有效的估计和诚实的置信带的各种治疗效果，包括局部平均值（LATE）和局部分位数治疗效果（LQTE）在数据丰富的环境。我们可以处理非常多的控制变量、内源性治疗接受、异质性治疗效果和功能价值结果。我们的框架涵盖了外源性接受治疗的特殊情况，无论是有条件的控制或无条件的随机对照试验。在后一种情况下，我们的方法产生有效的估计和诚实带（功能）平均治疗效果（ATE）和分位数治疗效果（QTE）。为了使信息推理成为可能，我们假设关键简化形式的预测关系是近似稀疏的。这个假设允许使用正则化和选择方法来估计这些关系，并且我们提供了用于后正则化和后选择推理的方法，这些方法在各种模型中都是一致有效的（诚实的）。我们表明，一个关键因素，使诚实的推理是使用正交或双鲁棒矩条件估计某些简化形式的功能参数。我们说明了使用所提出的方法与应用程序，以估计401（k）资格和参与对累积资产的影响。
2018-01-05 econ.EM math.ST stat.ME
Generalized Kernel Ridge Regression for Causal Inference with Missing-at-Random Sample Selection
MIT（麻省理工学院）
我提出了核岭回归估计的非参数剂量反应曲线和半参数处理效应的设置中，分析师有机会获得一个选定的样本，而不是一个随机样本，只有选择观察，观察的结果。我假设选择与随机一样好，条件是治疗和一组足够丰富的观察到的协变量，其中允许协变量引起治疗或由治疗引起-随机缺失（MAR）的扩展。我提出了估计的手段，增量和分布的反事实的结果与封闭形式的解决方案，在核矩阵运算，允许治疗和协变量是离散的或连续的，低，高，或无限维。对于连续治疗的情况下，我证明了一致的一致性与有限的采样率。对于离散处理的情况下，我证明根-n的一致性，高斯近似，和半参数效率。
2021-11-09 cs.LG econ.EM math.ST
Detecting and Mitigating Treatment Leakage in Text-Based Causal Inference: Distillation and Sensitivity Analysis
Institute for Analytical Sociology, Linköping University, Sweden（分析社会学研究所，利乌波尔大学）；Department of Computer Science and Engineering, Chalmers University of Technology, Sweden（计算机科学与工程系，查尔姆斯理工大学）；Department of Government, University of Texas at Austin, USA（政府系，德克萨斯大学奥斯汀分校）
本文提出了一种基于文本的因果推断中检测和缓解处理泄漏的方法，通过蒸馏和敏感性分析来减少偏倚并提高估计精度。
2025-12-30 cs.CL econ.EM econ.GN
High-dimensional Inference for Dynamic Treatment Effects
University of California San Diego（加州大学圣地亚哥分校）；Renmin University of China（中国人民大学）
针对高维混杂因素下动态处理效应估计问题，提出一种针对中间条件结果模型的新颖双重稳健表示方法，在较弱假设下提供更优的稳健性保证和推断性能。
2023-05-16 cs.LG econ.EM math.ST
