Orthogonal Integrated Conditional Moment Tests for Treatment Effect Heterogeneity
Peking University（北京大学）
提出非参数集成条件矩检验处理效应异质性，通过重铸原假设降低对干扰参数估计敏感性，推导检验统计量渐近性质，证明其对局部备择假设有功效并开发自助法，还进行了扩展与应用研究。
2026-07-15 econ.EM
rdhte: Conditional Average Treatment Effects in RD Designs
本文介绍软件包rdhte，用于精确断点回归设计中基于协变量的异质性处理效应估计与稳健偏差校正推断，并提供自动带宽选择和线性组合估计功能，补充并部分复现经典rdrobust软件包。
2025-07-01 econ.EM
Doubly Robust Uniform Confidence Bands for Group-Time Conditional Average Treatment Effects in Difference-in-Differences
本文在交错双重差分设定下，提出基于局部多项式回归的三步估计与双重稳健推断方法，为连续协变量下的组-时期条件平均处理效应函数构建统一置信带，并提供了R包didhetero便于实现。
2025-07-15 econ.EM stat.ME
Testing for Heterogeneous Treatment Effects in Regression Discontinuity Designs
Guanghua School of Management, Peking University（北京大学光华管理学院）
本文提出一种非参数检验，用于检测回归不连续设计中的未观测处理效应异质性，通过特征函数转化为积分条件矩约束，并验证了检验的渐近性质与有效性。
2026-09-24 econ.EM
Endogenous Control Bias and Correction with Nonparametric Methods
School of Economics, Shanghai University of Finance and Economics（上海财经大学经济管理学院）；Department of Economics, Michigan State University（密歇根州立大学经济学系）
本文提出在可测分离性条件下，通过非参数模型估计解决内生控制变量对平均响应识别的影响，并提出检测内生控制变量的检验方法。
2026-10-05 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
Doubly Robust Uniform Confidence Band for the Conditional Average Treatment Effect Function
在本文中，我们提出了一个双重的强大的方法来呈现异质性的平均处理效应相对于观察到的协变量的利益。我们考虑的情况是，需要大量的协变量来识别平均处理效应，但用于分析异质性的协变量的维数要低得多。我们提出的估计是双重鲁棒性和避免灾难的维度。我们提出了一个统一的置信带，很容易计算，我们说明了它的有用性，通过蒙特卡罗实验和应用程序吸烟对出生体重的影响。
2016-10-28 econ.EM stat.ME
Causal Graphs for Conditional Parallel Trends
University of Tübingen（蒂宾根大学）
本文提出Δ-SWIGs用于分析DiD中的有效条件策略，在多时期和时间变化协变量情况下，证明了控制后处理变量对识别的必要性，并指出纯经验验证条件平行趋势的局限性。
2026-04-14 econ.EM
Estimations of the Local Conditional Tail Average Treatment Effect
本文针对双侧不依从下依从者的局部条件尾部平均处理效应，提出结合条件尾部期望与分位数一致损失的半参数估计方法，建立渐近理论并用于美国职业培训项目评估。
2024-05-20 econ.EM stat.AP
A Synthetic Control Approach to Conditional Distributional Treatment Effects
University of Cologne（科隆大学）
提出基于分布回归模型的合成控制框架估计条件分布处理效应，通过最小二乘权重估计反事实分布，并推导渐近分布与检验统计量。
2026-06-08 econ.EM stat.ME
Robust and Agnostic Learning of Conditional Distributional Treatment Effects
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技）
本文提出一种鲁棒且模型无关的条件分布处理效应学习方法，通过构造伪结果并利用任意回归学习器，在慢速估计讨厌参数下仍能有效学习并推断 CDTE。
2025-06-04 cs.LG econ.EM stat.ME
Inference on Local Average Treatment Effects for Misclassified Treatment
当二进制处理包含测量误差时，我们发展了局部平均处理效应的点识别。标准的工具变量估计是不一致的参数，因为测量误差是非经典的建设。我们通过使用一个外生变量（甚至可以是二元协变量）来确定测量误差的分布来纠正这个问题。从辨识得到的矩条件导出了具有渐近有效推论的广义矩估计估计方法。蒙特卡罗模拟和一个实证说明所提出的程序的实用性。
2018-04-10 econ.EM
Educational Effects in Mathematics: Conditional Average Treatment Effect depending on the Number of Treatments
Kogakuin University（工学院大学）；Waseda University（早稻田大学）；Osaka Institute of Technology（大阪工业大学）；Osaka Sangyo University（大阪产业大学）；International University of Health and Welfare（国际医疗福祉大学）
本研究应用因果推断和扩展的T-learner方法，评估工学院大学学术支持中心面对面辅导的条件平均处理效应，并提出了依赖于处理次数的CATE函数以预测其效果。
2024-11-03 cs.LG econ.EM stat.ME
Learning control variables and instruments for causal analysis in observational data
University of Innsbruck（因斯布鲁克大学）；Centre for Health Economics（健康经济中心）；University of Fribourg（弗里堡大学）；Heinrich Heine University Düsseldorf（杜塞尔多夫海因里希·海涅大学）
本文提出了一种基于数据驱动和机器学习的方法，用于检测适合的控制变量和工具变量，以评估治疗对结果的因果效应。方法通过测试工具变量和控制变量的联合存在，学习从观测数据中划分工具变量和控制变量。研究证明了在一定正则条件下，该方法在有限样本中的稳健性，并通过模拟研究和健康数据应用验证了其有效性。
2026-05-19 econ.EM
Distributional Treatment Effect with Latent Rank Invariance
University of Oxford（牛津大学）；School of Social Sciences, University of Surrey（萨里大学社会科学学院）
本文提出基于潜在秩不变性假设的分布处理效应估计方法，利用非负矩阵分解和Neyman正交性推导估计量的极限分布，解决处理效应异质性问题。
2026-09-23 econ.EM
Doubly-Robust Inference for Conditional Average Treatment Effects with High-Dimensional Controls
条件性平均处理效应（CATE）的合理识别可能依赖于控制大量变量以解释混杂因素。在这些高维环境中，CATE的估计需要估计第一阶段模型，其一致性依赖于正确指定其参数形式。虽然存在CATE的双重稳健估计，但基于第二阶段CATE估计的推断过程不是双重稳健的。使用流行的增广逆倾向加权信号，我们提出了一个估计CATE的Wald型置信区间是双重的强大。我们假设倾向评分为逻辑模型，结果回归为线性模型，并使用$\ell_1$（Lasso）罚分来估计这些模型的参数以解决高维协变量。我们提出的估计量在非参数率下保持一致，即使logistic倾向得分或线性结果回归模型之一被错误指定，我们提出的逐点和均匀置信区间仍然渐近有效。这些结果是在类似的条件下得到的现有的分析在高维和非参数文献。
2023-01-16 econ.EM stat.AP
Optimal selection of the number of control units in kNN algorithm to estimate average treatment effects
我们提出了一种简单的方法来优化选择控制单元的数量在k近邻（kNN）算法集中在最小化的均方误差的平均处理效应。我们的方法是非参数的，其中处理效应的置信区间是使用具有偏倚校正的渐近结果计算的。仿真实验表明，该方法得到了相对较小的均方误差，并在置信区间长度和I类误差之间取得了平衡。我们分析了参与401（k）计划对累计净金融资产的平均处理效应，证实了对净资产金额和正概率的显著影响。与使用k=1的常见做法相比，我们的最佳k选择产生显著更窄的ATET置信区间。
2020-08-14 econ.EM
Stratifying on Treatment Status
本文针对按治疗状态分层样本，指出标准治疗效果估计量不一致，提出一致估计量并刻画其渐近分布。
2025-04-25 econ.EM
Decomposing Identification Gains and Evaluating Instrument Identification Power for Partially Identified Average Treatment Effects
本文考察了部分可辨识模型中工具变量对平均处理效应的辨识能力。我们将ATE识别收益分解为由IV相关性、IV强度、治疗内分泌的方向和程度以及通过外生协变量进行匹配所驱动的贡献分量。我们的分解证明了图形说明，模拟研究和经验的例子生育和妇女的劳动力供应。我们的分析提供了见解，了解复杂的作用，静脉在ATE识别和选择静脉在实际的政策设计。模拟还表明，我们的分析用于检测不相关的仪器的潜在用途。
2022-09-05 econ.EM
Flexible machine learning estimation of conditional average treatment effects: a blessing and a curse
本研究针对观测数据因果推断中特征不足导致个体处理效应（ITE）与条件平均处理效应（CATE）偏差的问题，扩展因果随机森林（CRF）估计组间条件方差差异，在特定因果假设下可有效估计ITE分布方差，弥补了标准CRF的不足。
2023-07-20 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
Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；ifo Institute（伊弗经济研究所）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
提出检验随机分配治疗是否完全通过中介变量影响结果，以及不同中介的因果机制是否可识别，并扩展至非随机治疗情形。
2026-06-05 econ.EM stat.ML
A Systematic Paradigm for Detecting, Surfacing, and Characterizing Heterogeneous Treatment Effects (HTE)
为了有效地优化和个性化治疗，有必要研究处理效应的异质性。由于在许多在线对照实验中处理了广泛的用户，手动调查异质性的每个维度的典型方法变得过于繁琐，并且容易产生主观的人为偏见。我们需要一种有效的方法来搜索数以千计的实验，数百个目标协变量和数百个细分维度。在本文中，我们提出了一个系统的范式检测，表面和表征异质性处理效应。首先，在指定任何故障之前，我们检测实验中是否存在处理效应变化。第二，我们揭示了异质性最相关的维度。最后，我们通过研究估计的个体处理效应的条件分布来表征条件平均处理效应（CATE）以外的异质性。我们使用模拟数据和实证研究表明，我们的方法的有效性。
2022-11-03 econ.EM stat.ME
Identification of Treatment Effects under Limited Exogenous Variation
本文提出变系数设定以缓解处理效应非参数识别的强支撑条件，给出平均处理效应识别的充要条件（条件非奇异性），并统一半参数与非参数识别框架。
2025-01-26 econ.EM stat.ME
CATE Lasso: Conditional Average Treatment Effect Estimation with High-Dimensional Linear Regression
The University of Tokyo（东京大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能研究中心）
本文针对高维非稀疏参数下条件平均处理效应（CATE）的一致估计问题，提出基于隐式稀疏性假设的 CATE Lasso 方法，并证明其一致性且通过模拟验证有效性。
2023-10-25 cs.LG econ.EM stat.AP
Functional Sequential Treatment Allocation with Covariates
University of Oxford（牛津大学）；Aarhus University（奥胡斯大学）；Université libre de Bruxelles（布鲁塞尔自由大学）；SBS-EM；ECARES
本文研究带协变量的多臂老虎机问题，提出面向一般条件结果分布函数的处理分配框架，给出期望遗憾下界并构造近似极小极大最优策略。
2020-01-29 cs.LG econ.EM math.ST
Testing the identification of causal effects in observational data
University of Fribourg（弗里堡大学）；Heinrich Heine University Düsseldorf（杜塞尔多夫海因里希·海涅大学）
本文研究了在观测数据中检验治疗对结果的因果效应的可检验条件，通过机器学习方法提出测试该条件的检验方法，并在模拟研究中检验其渐近行为和有限样本性能，同时应用该方法评估生育对女性劳动力供给的影响，发现使用兄弟姐妹前两孩性别比作为工具变量时存在可检验假设的违反。
2026-05-19 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
Triple/Debiased Lasso for Statistical Inference of Conditional Average Treatment Effects
the University of Tokyo（东京大学）
针对高维场景下条件平均处理效应（CATE）的估计与推断问题，提出仅假设模型差值稀疏的三重/去偏Lasso方法，结合双重稳健估计、DML与去偏Lasso实现√n一致估计与置信区间构建，经模拟验证有效。
2024-03-05 cs.LG econ.EM stat.ME
Regression Discontinuity Design with Multivalued Treatments
研究了多值处理变量的断点回归设计（RDD）中的识别和估计问题。我们还允许包含协变量。我们表明，没有额外的信息，处理效应没有确定。我们给必要和充分条件，导致识别的LATE以及加权平均的条件LATE。我们表明，如果第一阶段的多个治疗条件的协变量的不连续性是线性独立的，那么它是可能的，以方便可识别的权重识别多元加权平均值的处理效应。此外，如果处理效应不随某些协变量而变化，或者可以假设灵活的参数结构，则可以识别（实际上，过度识别）所有的处理效应。过度识别可以用来检验这些假设。我们提出了一个简单的估计，它可以在软件包中编程为一个两阶段最小二乘法回归，和包装的标准误差和测试也可以使用。最后，我们实施我们的方法来确定不同类型的保险覆盖对医疗保健利用的影响，如Card，Dobkin和Maestas（2008）。
2020-07-01 econ.EM stat.ME
Estimating Average Treatment Effects: Supplementary Analyses and Remaining Challenges
有大量关于在具有固定数量协变量的设置中，在无混杂治疗分配下平均处理效应的半参数估计的文献。最近的注意力集中在设置大量的协变量。在本文中，我们从早期的文献扩展到这个新的设置的经验教训。我们建议，除了报告点估计和标准误，研究人员报告的结果，从一些补充分析，以帮助评估他们的估计的可信度。
2017-02-04 econ.EM stat.ME
Bridging the Gap between Empirical Welfare Maximization and Conditional Average Treatment Effect Estimation in Policy Learning
本文证明政策学习中经验福利最大化与基于条件平均处理效应估计的插件方法在重新参数化下与最小二乘法精确等价，并据此提出一种更易优化的正则化政策学习方法。
2025-11-05 cs.LG econ.EM math.ST
Heterogeneous Treatment Effect Bounds under Sample Selection with an Application to the Effects of Social Media on Political Polarization
提出一种基于去偏/双重机器学习的异质性因果效应界限估计与推断方法，在无排除性限制的一般样本选择模型中提供条件效应界限，应用于Facebook实验数据后获得了更紧的效应界限并揭示了年轻用户的去极化效应。
2024-07-26 econ.EM stat.ML
On the Identifying Power of Generalized Monotonicity for Average Treatment Effects
University of Southern California（南加州大学）；University of Chicago（芝加哥大学）；MIT（麻省理工学院）；Yale University（耶鲁大学）
本文探讨了广义单调性对平均处理效应识别能力的影响，指出在特定条件下，更强的限制可提升识别能力。
2025-11-18 econ.EM stat.ME
Covariate Balancing and the Equivalence of Weighting and Doubly Robust Estimators of Average Treatment Effects
本文证明在采用特定协变量平衡方法估计倾向得分时，IPW、AIPW和IPWRA估计量对ATE和ATT在数值上等价，并探讨了该等价性对工具变量和双重差分方法的简化意义。
2025-09-21 econ.EM stat.ME
Unveiling the Potential of Robustness in Selecting Conditional Average Treatment Effect Estimators
The Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）
针对现有CATE估计器选择方法需拟合nuisance参数、未聚焦鲁棒性选择的问题，本文提出无nuisance依赖的分布鲁棒指标DRM，可有效选出对协变量偏移、隐藏混杂引发的分布偏移鲁棒的CATE估计器。
2024-10-31 cs.AI cs.LG econ.EM
Benign-Overfitting in Conditional Average Treatment Effect Prediction with Linear Regression
The University of Tokyo（东京大学）；CyberAgent, Inc.（CyberAgent公司）
我们研究了良性过拟合理论在预测条件平均处理效应（CATE）中的应用，并建立了线性回归模型。随着因果推断的机器学习的发展，大范围的因果关系模型越来越受到关注。一个问题是，已经提出了怀疑，大规模的模型是倾向于过度拟合的样本选择的观察，因此，大型模型可能不适合因果预测。在这项研究中，为了解决可疑问题，我们通过应用最近的良性过拟合理论（Bartlett et al.，2020年）。具体来说，我们认为样本的分布开关取决于分配规则，并研究预测CATE的线性模型，其尺寸发散到无穷大。我们专注于两种方法：T-学习器，其基于每个治疗组的单独构造的估计量之间的差异，以及逆概率权重（IPW）-学习器，其解决由倾向分数近似的另一回归问题。在这两种方法中，估计器由完全拟合样本的插值器组成。结果表明，T-学习者除了随机分配外，无法实现一致性，而IPW-学习者在倾向分数已知的情况下，将风险收敛到零。这种差异源于T学习器无法保持协方差的特征空间，这对于过参数化设置中的良性过拟合是必要的。我们的结果提供了新的见解因果推断方法的使用在overparameterizated设置，特别是，双稳健估计。
2022-02-11 cs.LG econ.EM math.ST
Identification of Average Treatment Effects in Nonparametric Panel Models
Stanford University（斯坦福大学）
本文提出非参数因子模型，证明面板数据中平均处理效应的可识别性，并给出可广泛用于组间差异分解的一致估计量。
2025-03-25 cs.LG econ.EM stat.ME
Identifying causal channels of policy reforms with multiple treatments and different types of selection
我们研究了多种治疗方法和每种治疗方法的不同选择类型的政策改革渠道的识别。我们解开的改革效果的政策效果，选择效果，和时间效应的假设条件下的独立性，共同的趋势，和一个额外的排除限制的非治疗。此外，我们发现的直接和间接的政策效果后，施加额外的顺序条件独立假设的中介变量的识别。我们说明的方法，使用德国的失业人员的职业培训分配制度的改革。这项改革将培训分配从强制性制度改为自愿凭单制度。与此同时，参与者的选择标准发生了变化，改革改变了课程类型的构成。我们认为课程构成是政策改革的中介变量。我们发现，从以前的研究经验证据逆转时，考虑课程组成。这对政策结论具有重要影响。
2020-10-11 econ.EM econ.GN q-fin.EC
Inference on Quantile Treatment Effects with Small Treatment Groups
Amazon Inc.（亚马逊公司）；UC Berkeley, Dept. of Economics（加州大学伯克利分校经济学系）
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
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
