Conditional Distributional Treatment Effects: Doubly Robust Estimation and Testing
Department of Statistics, University of Washington, Seattle, USA（华盛顿大学统计系，美国西雅图）；Departments of Health Care Policy and Statistics, Harvard University, USA（哈佛大学健康政策与统计系，美国）
本文提出捕捉条件分布治疗效应的新估计量，开发了局部渐近最优的双重鲁棒估计器，并设计了检验条件潜在结果分布全局同质性的测试方法，具有严格的一阶误差控制和一致性。
2026-09-23 cs.LG math.ST stat.ME
Distributionally Robust Causal Inference with Observational Data
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；Harvard Business School（哈佛商学院）
我们考虑了观察性研究中平均处理效应的估计，并提出了一个新的具有未观察到的混杂因素的稳健因果推断框架。我们的方法是基于分布鲁棒优化和收益分两步。我们首先指定未观察到的潜在结果的分布可能偏离观察到的结果的分布的最大程度。然后，我们推导出在此假设下的平均处理效应的急剧界限。我们的框架包括流行的边际敏感性模型作为一个特例，我们展示了如何提出的方法可以解决边际敏感性模型的主要挑战，当未观察到的混杂因素大大影响治疗和结果时，它会产生无意义的结果。具体而言，我们开发了一种替代的敏感性模型，称为分布敏感性模型，假设由于未观察到的变量的处理效应的异质性相对较小。与边际敏感性模型不同，分布敏感性模型允许潜在的重叠缺乏，即使未观察到的变量实质上影响治疗和结局，也经常产生信息边界。最后，我们展示了如何将分布灵敏度模型扩展到具有工具变量的差中差设计和设置。通过模拟和实证研究，我们证明了所提出的方法的适用性。
2023-02-02 cs.LG math.OC stat.ME
Regression Adjustment for Estimating Distributional Treatment Effects in Randomized Controlled Trials
本文提出一种结合分布回归与预处理信息的回归调整方法，在无强分布假设下提升随机实验中分布性处理效应估计效率，仿真与实际应用验证其精度更优，可识别传统方法遗漏的效应。
2025-01-14 econ.EM math.ST stat.ME
On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization
本文针对协变量自适应随机化实验，提出利用机器学习纳入额外协变量的分布回归框架以高效估计分布处理效应，并证明其达到半参数效率界。
2025-06-06 econ.EM math.ST stat.ML
Conditional Tensor Diffusion: Distributional Counterfactual Learning and Inference
Southeast University（东南大学）；University of Science and Technology of China（中国科学技术大学）
针对高维张量设置中的因果推断难题，提出整合处理掩码与塔克结构的条件扩散模型CFTDiff，以高效恢复缺失控制结果的联合条件分布，并在模拟和挪威iFlex实验中验证了其更优的恢复精度与反事实推断能力。
2026-09-23 cs.LG econ.EM stat.ML
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
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva（日内瓦大学）；ETH Zürich（苏黎世联邦理工学院）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出Causal-DRF方法，利用分布随机森林算法估计条件核治疗效应，通过森林拟合获得一致且渐近正态的估计值，从而更全面理解治疗效应差异。
2026-04-02 stat.ME
Preference-based Conditional Treatment Effects and Policy Learning
Technion – Israel Institute of Technology（技术学院——以色列理工学院）；Inria（法国国家信息与自动化技术研究所）；Inserm（法国国家医学研究院）；Université de Montpellier（蒙彼利埃大学）；Department of Statistics and Operations Research, Tel Aviv University（特拉维夫大学统计与运筹学系）
本文提出了一种基于偏好的条件治疗效应估计与政策学习框架，通过排序结果实现对异质效应的灵活建模，并提供了新的可识别条件和高效的估计方法。
2026-02-03 cs.LG stat.ML
Estimating Conditional Average Treatment Effects with Missing Treatment Information
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）
本文针对治疗信息缺失下的条件平均治疗效应估计问题，识别出两类协变量偏移，提出基于领域自适应学习平衡表示的MTRNet算法，并在半合成与真实数据上显著超越现有方法。
2023-04-16 cs.LG stat.ML
Marginal and Conditional Importance Measures from Machine Learning Models and Their Relationship with Conditional Average Treatment Effect
The Hospital for Sick Children（SickKids医院（多伦多病童医院））；Dalla Lana School of Public Health（达拉·拉纳公共卫生学院）
本文提出模型无关的边际变量重要性度量（MVIM）及条件变量重要性度量（CVIM），解决了高相关预测变量下估计偏差问题，并揭示了二者与条件平均处理效应（CATE）的二次关系。
2025-01-29 cs.LG stat.ML
A Test for Treatment Heterogeneity under a Distributional Difference-in-Difference Framework
University of Florida（佛罗里达大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
提出基于最优传输的分布双重差分框架，通过最大均值差异统计量检验处理效应的分布异质性，能检测位置、尺度、形状和尾部变化，理论推导了渐近分布和局部功效。
2026-06-23 econ.EM math.ST stat.AP
Estimation of distributional effects of treatment and control under selection on observables: consistency, weak convergence, and applications
本文研究了接受或不接受治疗的潜在结果的分布函数的估计。该方法基于估计的倾向得分对观察到的数据进行加权。构造了一个加权形式的经验过程，并证明了它弱收敛于二元高斯过程。平均处理效应（ATE）和分位数处理效应（QTE）的估计结果作为副产物获得。被认为是应用建设的非参数检验的处理效应和随机优势的治疗控制，并通过模拟研究其有限样本的性质和优点。
2019-04-27 stat.ME
On the Distinction Between "Conditional Average Treatment Effects" (CATE) and "Individual Treatment Effects" (ITE) Under Ignorability Assumptions
RAND Corporation（兰德公司）
近年来，注重估计“个体处理效应“的方法激增。这些方法通常侧重于在可接受性假设下对异质性处理效应的估计。本文希望提请注意这样一个事实，即没有什么必然的“个人”的影响下，可互换性假设和孤立的个人影响可能需要额外的假设。这种个体效应通常被更准确地描述为“条件性平均处理效应“，两者之间的混淆有可能阻碍个性化和个体化效应估计的进展。
2021-08-10 cs.LG stat.ME stat.ML
Distributional Treatment Effects of Content Promotion: Evidence from an ABEMA Field Experiment
AI Lab, CyberAgent（CyberAgent AI实验室）；Department of Economics, Keio University（庆应义塾大学经济学部）；The Economic Institute & National University of Mongolia（蒙古国立大学经济研究所）；AbemaTV
该研究通过ABEMA现场实验发现，顶部屏幕推广显著提升了用户观看时长，尤其对短内容效果最佳，有效增强了用户参与度和后续观看意愿。
2026-01-16 econ.GN q-fin.EC stat.AP
Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery
Georgia Institute of Technology（佐治亚理工学院）
提出基于因果森林学习核的聚类框架，通过估计去偏CATEs并应用核化聚类，有效发现对处理敏感的亚群并捕捉异质性处理效应。
2025-09-17 cs.LG stat.ML
Beyond the Average: Distributional Causal Inference under Imperfect Compliance
本文提出一种基于工具变量和分布回归的估计器，用于在不完全依从的随机实验中估计局部分布处理效应，达到半参数效率界，并在俄勒冈健康保险实验中验证其有效性。
2025-10-26 econ.EM math.ST 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
Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data
Duke University（杜克大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种可解释的分布数据分析方法ADD MALTS，通过将可穿戴设备与传感器数据表示为分布进行因果推断，提供了估计正确性保证，并在模拟和连续血糖监测仪研究中验证了其在估计处理效应方面的优越性与可信度。
2024-03-20 cs.LG eess.SP stat.ME
Distributional Treatment Effect Transportability across Heterogeneous Sites
The Pennsylvania State University（宾夕法尼亚州立大学）；University of Minnesota（明尼苏达大学）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
针对跨站点单臂目标设计的异质性场景，该研究提出最优迁移准则学习变换以恢复目标站点完整处理组分布，经模拟与PDX数据验证框架有效性。
2026-09-04 math.ST stat.ME stat.ML
Proximal Causal Learning of Conditional Average Treatment Effects
Stanford University（斯坦福大学）；Zhejiang University（浙江大学）
针对可交换性假设不成立时，提出基于代理变量的P学习器，通过两阶段损失函数估计条件平均处理效应，并可用现成机器学习方法实现，核回归下满足预言机误差界。
2023-05-09 cs.LG stat.ME stat.ML
Policy Learning with Distributional Welfare
本文提出基于个体处理效应条件分位数（QoTE）的最佳处理分配策略，以解决平均福利在异质性个体下的不良分配问题，并引入对模型不确定性鲁棒的极小化极大策略，建立了后悔渐近界。
2025-04-29 econ.EM math.ST stat.ME
Kernel Treatment Effects with Adaptively Collected Data
Gatsby Computational Neuroscience Unit, University College London（Gatsby 计算神经科学单元，伦敦大学学院）
针对自适应数据收集下分布推断问题，提出首个基于核的框架，结合双重稳健分数与方差稳定化技术，通过希尔伯特空间鞅CLT确保渐近正态性，有效检测均值偏移与高阶矩差异。
2025-10-11 cs.LG stat.ME stat.ML
Estimation and Validation of Ratio-based Conditional Average Treatment Effects Using Observational Data
Stanford University（斯坦福大学）；Biogen International GmbH（渤健国际有限公司）；PwC Data & Analytics（普华永道数据与分析部）；NeuroTransData（神经转归数据公司）
虽然随机临床试验中的样本量足够大，可以很好地估计平均处理效应，但它们通常不足以估计对研究数据驱动的精准医学至关重要的治疗-协变量相互作用。来自现实世界实践的观测数据可能在缓解这一问题方面发挥重要作用。试验中的一种常见方法是在每个治疗组中使用单独的回归模型预测关注的结果，并基于预测的对比估计处理效应。不幸的是，当回归模型被错误指定时，这种简单的方法可能会在观察性研究中诱导虚假的治疗-协变量相互作用。出于对多发性硬化患者复发次数建模的需要，复发率的比率是治疗效果的自然选择，我们建议将条件平均处理效应（CATE）估计为预期潜在结果的比率，并在治疗协变量相互作用的半参数模型中推导出该CATE的双重稳健估计。我们还提供了一个验证过程，以检查独立样本的估计量的质量。我们进行模拟，以证明有限样本的性能，所提出的方法，并通过检查富马酸二甲酯的处理效应相比特立氟胺在多发性硬化症患者的实际数据，说明其优势。
2020-04-21 cs.LG stat.ME stat.ML
A Guide to Estimating Conditional Average Treatment Effects in Competing Risks Settings
Department of Statistics, TU Dortmund University（图恩-多特蒙德大学统计学系）；Research Center Trustworthy Data Science and Security, University Alliance Ruhr (UA Ruhr)（鲁尔大学联盟可信数据科学与安全研究中心）；Institute for Mathematics, University of Augsburg（艾希施泰特大学数学研究所）
针对竞争风险生存数据，比较六种元学习器估计条件平均处理效应，提供R包crsurvlearners指导模型选择。
2026-06-18 cs.LG stat.AP stat.ML
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
Distributional Discontinuity Design
Iowa State University（爱荷华州立大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出分布不连续性设计，通过Wasserstein距离估计因果效应，量化分布偏移并分析效应异质性。
2026-02-22 econ.EM math.ST stat.ME
Consistent Labeling Across Group Assignments: Variance Reduction in Conditional Average Treatment Effect Estimation
National Taiwan University（台湾大学）
本文针对CATE估计中同一实例在不同组分配下学习行为不一致的问题，提出通用方法CLAGA，通过消除不一致性显著提升现有算法的估计性能。
2025-07-06 cs.LG stat.ME stat.ML
Evaluating Dynamic Conditional Quantile Treatment Effects with Applications in Ridesharing
DiDi Chuxing（滴滴出行）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Shanghai University of Finance and Economics（上海财经大学）；London School of Economics and Political Science（伦敦政治经济学院）
本文针对网约车平台时空序列决策数据，提出了动态条件分位数处理效应（CQTE）的评估框架，证明其等于各时间段个体CQTE之和，并引入变系数决策过程模型及创新检验方法，有效简化了因果估计与推断。
2023-05-17 cs.LG stat.ME stat.ML
Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义，这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
A Bayesian Additive Regression Tree Model for Learning Conditional Average Treatment Effects in Regression Discontinuity Designs
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Arizona State University（亚利桑那州立大学）；Insper（因斯珀学院）
本文提出一种高效的贝叶斯方法，用于回归断点设计中条件平均处理效应的估计，通过适应性划分协变量空间实现可解释的贝叶斯推断。
2026-10-20 stat.ME stat.ML
Instrumental Variable Estimation of Distributional Causal Effects
本文提出基于工具变量的分布因果效应识别与估计方法，引入分布IV模型并构造非参数估计量DIVE，用于估计二值处理下的干预累积分布函数，并通过模拟和真实数据验证其有效性。
2024-08-06 stat.ME
Debiased Machine Learning of Conditional Average Treatment Effects and Other Causal Functions
基于现代机器学习（ML）工具，本文提供了结构函数的最佳线性预测（近似）的估计和推理方法，如条件平均结构和处理效应以及结构导数。我们将此结构函数表示为依赖于滋扰参数的无偏信号的条件期望，我们通过现代机器学习技术估计该滋扰参数。我们首先调整信号，使其对第一阶段正则化偏置不敏感（奈曼正交）。然后，我们将信号投影到一组基函数上，随着样本量的增加而增加，这给了我们结构函数的最佳线性预测器。我们推导出一套完整的结果估计和同时推断的所有参数的最佳线性预测，进行推断高斯引导。当结构函数光滑且基充分丰富时，我们的估计和推理结果自动针对该函数。当基函数是组指标时，最佳线性预测因子减少到组平均治疗/结构效应，并且我们的推断自动针对这些参数。我们证明了我们的方法，估计统一的置信区间的平均价格弹性的汽油需求的收入为条件。
2020-08-14 stat.ME stat.ML
Quantifying Distributional Model Risk in Marginal Problems via Optimal Transport
本文研究边际问题中基于Wasserstein球的分布模型风险，建立了强对偶性、有限性及优化器存在性等理论结果，推广了Makarov界限，并展示了其在处理效应识别和稳健估计等四个实际应用中的有效性。
2023-07-03 econ.EM math.OC math.ST
Direct Bayesian Additive Regression Trees for Conditional Average Treatment Effects in Regression Discontinuity Designs
Faculty of Economics, Keio University（庆应义塾大学经济学部）
本文提出基于BART的贝叶斯方法，用于在回归断点设计中灵活建模异质处理效应，并通过数值实验验证其有效性。
2026-03-04 stat.ME stat.ML
Identification and estimation of the conditional average treatment effect with nonignorable missing covariates, treatment, and outcome
University of Michigan（密歇根大学）；Tsinghua University（清华大学）；Yanqi Lake Beijing Institute of Mathematical Sciences and Applications（北京雁栖湖应用数学研究院）
本文提出在非随机缺失机制下非参数识别条件平均处理效应，并开发了非参数和参数估计方法，同时提出敏感性分析框架以评估稳健性。
2026-02-22 stat.ME
Estimating Conditional Average Treatment Effects with Heteroscedasticity by Model Averaging and Matching
本研究提出模型平均结合划分匹配的方法，用于估计异方差下的条件平均处理效应，证明其渐近最优性与一致性，数值实验验证了良好的有限样本性能。
2024-12-16 stat.AP stat.ME
Effects conditional on post-treatment events generated by independent mechanisms
Institute of Mathematics, École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院数学研究所）
研究治疗后事件如失访等常出现，基于此类事件的结果比较缺因果解释。提出若治疗等通过“独立机制”产生事件，可不调整共同原因就能识别相关因果效应，通过相关研究说明了该结果。
2026-07-28 stat.ME
Robust inference of conditional average treatment effects using dimension reduction
从观察数据中对条件平均处理效应进行稳健推断很重要，但当混杂因素为多变量或高维时，这变得具有挑战性。本文提出了一种双重降降维方法，在保持非参数优点的同时，尽可能地降低维数灾难。我们使用降维来确定条件平均处理效应的中心平均子空间。一个非参数回归与先前的降维也被用来插补反事实的结果。这一步有助于提高插补的稳定性，并导致比现有方法更好的估计。然后，我们提出了一个有效的自举过程，而无需自举估计的中心均值子空间进行有效的推断。
2020-08-30 stat.ME
A flexible framework for treatment effect inference in longitudinal clinical studies with skewed outcomes
University of Tsukuba（筑波大学）；Astellas Pharma Global Development, Inc.（安斯泰来全球研发有限公司）；Wakayama Medical University（和歌山医科大学）；University of Osaka（大阪大学）
针对偏态纵向临床数据，提出Box-Cox多元回归框架，允许变换参数随组和时间变化，支持中位数差异和概率型处理效应推断，实现无偏且稳健的估计。
2026-09-16 stat.ME
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
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
Conflating marginal and conditional treatment effects: Comments on 'Assessing the performance of population adjustment methods for anchored indirect comparisons: A simulation study'
在这篇评论中，我们强调了以下几点的重要性：（1）仔细考虑并澄清边际或条件性处理效应是否在人群调整的间接治疗比较中值得关注;以及（2）开发不同的方法来估计不同的效应指标。每种方法的适当性取决于推理的首选目标。
2020-12-02 stat.AP stat.ME
Doubly Robust Direct Learning for Estimating Conditional Average Treatment Effect
非均匀处理效应的推断是科学和商业应用中的基本问题。在本文中，我们专注于估计条件平均处理效应（CATE），即在给定协变量的条件平均结果之间的差异。传统上，基于Q学习的方法依赖于给定治疗和协变量的条件平均结果的估计。然而，它们受到主效应模型的错误指定的影响。最近，已经提出了简单而灵活的一步方法来直接学习（D-Learning）CATE而无需模型规范。然而，这些方法对倾向得分模型的错误设定不稳健。我们提出了一个新的框架CATE估计，强大的直接学习（RD学习），导致双重强大的估计的处理效应。如果正确指定了主效应模型或倾向得分模型，则可以保证我们的CATE估计量的一致性。该框架可用于二进制和多臂设置，并且足够通用，以允许不同的函数空间并包含不同的通用学习算法。作为一个副产品，我们开发了一个有竞争力的统计推断工具的处理效应，假设倾向得分是已知的。我们提供的理论见解，所提出的方法使用风险界限下的线性和非线性设置。我们所提出的方法的有效性证明了仿真研究和艾滋病临床试验研究的真实数据的例子。
2021-03-21 stat.ME
Assessing effect heterogeneity of a randomized treatment using conditional inference trees
当个体特征影响治疗效果时，发生处理效应异质性。我们提出了一种新的方法，结合预后评分匹配和条件推理树来表征随机二进制治疗的效果异质性。将我们的方法与替代方法区分开的一个关键特征是它控制第一类错误率，即，如果不存在效应异质性并保留基础亚组，则确定效应异质性的概率。这一特点使得我们的技术在临床试验中特别有吸引力，在临床试验中，错误地宣称不同人群亚组的效果不同可能会产生重大成本。TEHTree能够识别异质亚组，表征相关亚组并估计相关的处理效应。我们使用全面的模拟研究证明了所提出的方法的有效性，并使用营养试验数据集来说明我们的方法，以评估患者人群中的效果异质性。
2020-11-23 stat.AP stat.ME
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
A simple distributional difference-in-differences estimator for univariate and bivariate outcomes
Boston University（波士顿大学）；University of Groningen（格罗宁根大学）；Georgetown University（乔治城大学）
本文提出了一种简单的分布回归估计器，用于处理差异-差异设计中的处理效应，特别是在处理效应在结果变量分布上存在差异时。该估计器易于纳入协变量，并可扩展到处理可能影响多个结果联合分布的情况。核心假设是未处理结果分布中组别和时间的交互效应不存在，这导致了对分布变换的平行趋势假设。本文还通过Athey和Imbens（2006）的改变-改变方法探讨了该方法与假设的关系，并重新审视了Card和Krueger（1994）关于最低工资对就业影响的研究，以展示该方法的实用性。
2026-05-19 econ.EM stat.ME
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
Multiple conditional randomization tests for lagged and spillover treatment effects
本文提出使用单一数据集构建多个独立条件随机化检验的序贯方法，可单独解释p值或用标准多重检验组合，并应用于证据因子、滞后效应和溢出效应分析。
2024-10-11 math.ST stat.ME stat.TH
A Toolkit for the Study of Treatment-Effect Discontinuities
University of Bologna（博洛尼亚大学）
本文提出一个工具包，用于研究边际分布效应变号处的处理效应不连续性，包括水平不连续性分析和垂直不连续性分析，并应用交叉点渐近理论定位符号切换点。
2026-06-29 econ.EM stat.ME
A triangular treatment effect model with random coefficients in the selection equation
本文在选择方程中考虑了具有复杂非均匀性的内循环条件下的处理效果。我们将内源性治疗的结果建模为三角系统，其中结果和第一阶段方程均由随机系数模型组成。第一阶段特别允许非单调选择进入治疗。我们提供的条件下，潜在的结果，平均值和分位数的治疗效果，所有条件的第一阶段的随机系数的边缘分布，被确定。在相同的条件下，我们得到的（条件）联合分布的潜在结果和治疗收益的界限，并提供额外的条件，他们的点识别。所有条件量通过加权积分产生无条件效应（\emph{e.g.}，平均治疗效应）。
2015-08-25 math.ST stat.TH
Distributional Difference-in-Differences: Aggregation Before or After Quantile Inversion?
University at Albany - State University of New York（纽约州立大学奥尔巴尼分校）
研究交错分布双重差分中分位数处理效应的两种聚合方式，证明聚合顺序影响估计目标与符号，需在反转前确定。
2026-09-24 econ.EM stat.AP stat.ME
Nonparametric Tests for Treatment Effect Heterogeneity with Duration Outcomes
本文提出了不同的测试处理效应异质性时，关注的结果，通常是一个持续时间变量，可能是右删失。所提出的检验研究策略是否1）对于由协变量值定义的所有子群体具有零分布（平均）效应，以及2）在不同子群体之间具有齐次平均效应。拟定检验基于两步Kaplan-Meier积分，不依赖于参数分布假设、形状限制或限制不同亚群间的潜在处理效应异质性。我们的框架不仅适用于外源性治疗分配，但也可以占治疗不依从性-在许多应用程序中的一个重要特征。建议的测试是一致的固定的替代品，并可以检测到非参数的替代品收敛到零的参数$n^{-1/2}$率，$n$的样本量。临界值计算的协助下，一个乘数的引导。通过蒙特卡罗研究和劳动力市场计划对失业持续时间的影响的应用，检验了所提出的检验的有限样本性质。开放源代码软件可用于执行所有拟议的测试。
2020-02-17 econ.EM stat.ME
Doubly robust estimation for conditional treatment effect: a study on asymptotics
在本文中，我们应用双重稳健的方法来估计，当一些协变量，在参数，半参数和非参数结构的滋扰倾向得分和结果回归模型的条件平均治疗效果。然后，我们进行了系统的研究的渐近分布的9个估计与不同的组合估计的倾向得分和结果回归。该研究涵盖了正确指定所有模型的渐近性质;局部/全局错误指定倾向评分或结果回归;以及局部/全局错误指定所有模型。比较了渐近方差，讨论了模型误设定下的渐近偏差修正。的现象，渐近方差，与模型误指定，有时甚至可以小于，与所有的模型正确指定的探讨。我们还进行了数值研究，以检验理论结果。
2020-09-12 math.ST stat.TH
Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals
University of Waterloo（滑铁卢大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Brown University School of Public Health（布朗大学公共卫生学院）；Center for Gerontology & Healthcare Research, Brown University School of Public Health（布朗大学公共卫生学院老年学与医疗保健研究中心）
本文提出在嵌套试验中估计目标人群中条件平均治疗效应的方法，结合半参数理论和灵活估计，通过数据自适应方法减少过拟合偏倚，提升推断有效性。
2026-05-14 stat.AP stat.ME
