Optimizing cluster-based randomized experiments under a monotonicity assumption
当存在干扰且经典因果推断和试验设计假设(如SUTVA或ITR)不成立时,基于随机化的随机试验是用于减轻标准估计值偏倚的流行设计。在没有干扰结构的确切知识的情况下,理解实验单元的哪种划分对于最小化估计偏差是最佳的可能是具有挑战性的。在本文中,我们引入了一个单调性条件下,一个新的两阶段试验设计,使我们能够确定两个集群为基础的设计产生最少的有偏估计。然后,我们考虑在线广告拍卖的设置,并表明保留价实验验证了单调性条件和所提出的框架和方法适用。我们验证了我们的研究结果的广告拍卖数据集。
2018-03-07 stat.ME
Assessing Sensitivity to IV Exclusion and Exogeneity without First Stage Monotonicity
Toulouse School of Economics(图卢兹经济学院);Duke University(杜克大学);Georgetown University(乔治城大学)
本文提出新的敏感性分析方法,用于评估工具变量排除和外生性假设的有效性,不依赖第一阶段的单调性要求,通过非参数放松方法分析潜在结果的边际分布及平均处理效应。
2026-04-08 econ.EM stat.ME
Causal Inference under Outcome-Based Sampling with Monotonicity Assumptions
本文研究了在病例-对照与病例-总体抽样下二元处理与结果的因果推断,证明在单调性假设下比值比可作为因果相对风险的尖锐识别上界,并提供推断算法及三个实证例子验证其有效性。
2023-10-20 econ.EM stat.ME stat.ML
Sensitivity Analysis for Instrumental Variables Under Joint Relaxations of Monotonicity and Independence
Institute of Economics PUC-Chile(智利天主教大学经济研究所)
本文提出一种突破前沿方法,评估局部平均处理效应估计对单调性和独立性假设违反的敏感性,推导了LATE和平均处理效应的识别集,并提供了样本模拟估计器和有效推断方法。
2026-03-30 econ.EM stat.ME
On the Monotonicity of a Nondifferentially Mismeasured Binary Confounder
IDA, Linköping University(林雪平大学IDA)
假设我们感兴趣的是二元治疗对结果的平均因果效应,当这种关系被二元混杂因素混淆时。假设混杂因素未被观测到,但它的一个非微分代理被观测到。我们表明,在一定的单调性假设,是经验验证,调整代理产生的效果之间的未调整和真实的措施措施的措施。
2020-08-23 cs.LG stat.ME stat.ML
Heterogeneous Treatment Effects with Mismeasured Endogenous Treatment
本文研究了在非参数异质性处理效应框架下,当二元处理被误测和内生时,工具变量的识别能力。使用一个二进制工具变量,我刻画了尖锐的识别集的本地平均治疗效果的排除限制下的仪器和确定性的单调性的真正治疗的仪器。即使考虑到一般的测量误差(例如,测量误差是内生的),仍然可以获得局部平均处理效果的有限界限。值得注意的是,Wald被估量是局部平均治疗效应的上界,但它不是一般的锐界。我还提供了具有一致渐近有效尺寸控制的局部平均治疗效应的置信区间。此外,我证明了本文的识别策略提供了一个新的使用重复测量收紧识别集。
2017-05-19 math.ST stat.TH
Identifying Effects of Multivalued Treatments
多值处理模型通常在限制性假设下进行研究:有序选择,最近无序单调性。我们展示了如何在更一般的一类模型中识别处理效应,该模型允许多维未观察到的异质性。我们的研究结果依赖于两个主要的假设:治疗分配必须是一个可测量的函数的阈值交叉规则,必须有足够的连续仪器。我们说明了我们的方法的几类模型。
2018-04-30 econ.EM stat.ME
Instrumental variables as bias amplifiers with general outcome and confounding
通过观察性研究得出因果推论是许多学科的核心支柱。确定因果效应的一个充分条件是治疗-结局关系在观察到的协变量的条件下是无混杂的。人们通常认为,我们所依赖的协变量越多,这种无混淆性假设就越合理。这种信念对实际的因果推理产生了巨大的影响,这表明我们应该对所有预处理协变量进行调整。然而,当治疗和结局之间存在不可测量的混杂时,调整某些治疗前协变量的估计值可能比未调整该协变量的估计值具有更大的偏倚。这种协变量被称为偏倚放大器,包括独立于混杂因素的工具变量,仅通过治疗影响结果。以前,这种现象的理论结果只建立在线性模型上。我们填补了这一空白,在文献中提供了一个一般的理论,表明这种现象发生在一个广泛的一类模型满足一定的单调性假设。我们进一步表明,当治疗以下的加性或乘性模型的条件下的工具变量和混杂因素,这些单调性假设可以解释为因果图的箭头的符号。
2017-01-16 math.ST stat.AP stat.TH
Heterogeneous survivor average causal effects beyond monotonicity: Applications to a clinical trial evaluating mechanical ventilation strategies
Yale School of Public Health(耶鲁大学公共卫生学院);University of Alberta(阿尔伯塔大学);University of Pennsylvania(宾夕法尼亚大学);Yale University School of Medicine(耶鲁大学医学院)
针对重症监护临床试验中因死亡截断的结果,提出无单调性框架识别条件幸存者平均因果效应,基于BART的贝叶斯方法估计个体效应,应用于ARDS PEEP试验揭示被总体结果掩盖的异质性亚组。
2026-09-22 stat.AP stat.ME
Partial Identification of Treatment Effects for Generalizability
最近的方法,以改善推广从非随机样本通常调用假设,如强的可重复性的样本选择,往往是有争议的,在实践中获得点估计。而不是专注于点估计为基础的推断,本文认为部分确定的估计,从更少和更弱的假设推断。我们通过在教育中使用聚类随机试验,将部分识别方法扩展到非随机样本的因果推广。在四种情况下推导出群体平均处理效应的界,两种情况下未对数据进行假设,两种情况下假设样本变异和响应单调性有界。该方法适用于纳入群体数据框架,以收紧群体平均处理效应的界限。在有限样本变异和单调性的假设下,平均处理效应的区间估计值提供了足够的信息范围,以排除大的处理效应,这与实验研究的点估计值一致。这说明,部分识别方法可以提供一个替代的视角,因果概括的样本选择的强可验证性的情况下。
2017-01-05 stat.AP stat.ME
The Nudge Average Treatment Effect
本文提出一种替代单调性假设的识别条件,允许存在违抗者和异质处理效应,证明工具变量估计量可恢复受工具变量操纵的子群的平均因果效应,即Nudge平均处理效应。
2025-08-12 stat.ME
Semiparametric principal stratification analysis beyond monotonicity
Yale University of Public Health(耶鲁大学公共卫生学院);MRC Clinical Trials Unit at UCL, Institute of Clinical Trials and Methodology(伦敦大学学院医学研究委员会临床试验单元,临床试验与方法学研究所);Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学和信息学系);Center for Methods in Implementation and Prevention Science, Yale School of Public Health(耶鲁大学公共卫生学院实施与预防科学方法中心)
本文提出一种基于条件比值比敏感性参数的半参数主分层框架,突破单调性假设限制,并给出双重稳健和去偏机器学习估计方法,在重症监护试验中验证其有效性。
2025-09-18 stat.ME
Principal causal effect identification and surrogate endpoint evaluation by multiple trials
主要分层是一个因果框架,用于分析随机实验,治疗后变量介于治疗和终点变量之间。由于由治疗后变量的潜在结局定义的主要分层不可观察,因此我们通常无法识别主要分层内的因果效应。出于一个真实的数据集的III期辅助结肠临床试验,我们提出的方法来确定和估计的主要因果关系,通过多个试验。对于可识别性,我们通过规定这些试验中的主要因果效应是同质的来删除常用的排除限制假设。为了消除另一个常用的单调性假设,我们给出了一个局部可识别的必要条件,这需要至少三次试验。将我们的方法应用于辅助结肠临床试验的数据,我们发现常用的单调性假设是站不住脚的,并且3年随访的无病生存率是5年随访的总生存率的有效替代终点,它满足因果必要性和因果充分性。我们还提出了一种基于贝叶斯分层模型的灵敏度分析方法,以研究偏离同质性假设的影响。
2015-07-21 math.ST stat.AP stat.TH
On the Non-Monotonicity of a Non-Differentially Mismeasured Binary Confounder
Linköping University(林雪平大学)
假设我们感兴趣的是二元治疗对结果的平均因果效应,当这种关系被二元混杂因素混淆时。假设混杂因素未被观测到,但它的非微分二元代理被观测到。我们确定的条件下,调整代理来更接近不可计算的真实平均因果效应比不调整。与其他作品不同,我们不假设混杂因素对结果的平均因果影响在治疗和未治疗之间是相同的方向。
2021-01-28 cs.LG stat.ME stat.ML
Mediation analysis in longitudinal intervention studies with an ordinal treatment-dependent confounder
University of Turku(图尔库大学);Finnish Institute for Health and Welfare(芬兰健康与福利研究所);University of Eastern Finland(芬兰东部大学);University of Helsinki(赫尔辛基大学)
本文研究了纵向中介变量、时间到事件结局及有序治疗依赖性混杂因素下的中介效应识别问题,提出在单调性假设下通过非参数表达式估计中介效应,并通过芬兰糖尿病预防研究验证了生活方式干预对2型糖尿病预防的中介作用。
2025-05-21 stat.AP
Marginal Treatment Effects and Monotonicity
本文研究 MTE 分析对单调性假设违背的稳健性,并给出较弱单调性条件,使常用 MTE 估计量仍能识别目标参数。
2024-04-04 econ.EM
Vaccine efficacy for binary post-infection outcomes under misclassification without monotonicity
提出一种非参数点识别方法,在无需单调性假设且允许测量误差的情况下,利用地理分散试验和预处理协变量识别疫苗对感染及感染后结局的主效应,并支持多处理场景。
2024-09-19 math.ST stat.AP stat.ME
Sharp Bounds for the Marginal Treatment Effect with Sample Selection
我分析了处理效应的情况下,代理内源性选择到治疗组和观察样本。作为一个理论贡献,我提出了逐点锐界的边际处理效应(MTE)的利益在单调性假设下始终观察到的亚群。此外,我强加了一个额外的平均优势假设,以收紧以前的界限。我进一步讨论如何确定这些界限时,支持的倾向得分是连续的或离散的。使用这些结果,我估计边界的就业军团培训计划的时薪为始终就业的亚群,并发现它是在非西班牙裔组内参加该计划的可能性下降。例如,治疗组的平均处理效应介于\$.33和\$.99之间,而未治疗组的平均处理效应介于\$.71和\$3.00之间。
2019-04-17 econ.EM econ.GN q-fin.EC
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 Practical Guide to Instrumental Variables Methods with Heterogeneous Treatment Effects
Brandeis University(布兰迪斯大学);University College London(伦敦大学学院);LMU Munich(慕尼黑大学)
本文提供工具变量方法在异质处理效应框架下的实用指南,讨论了不同规范对协变量加权平均的影响,参数误设的因果解释问题,以及LATE假设检验方法。
2026-11-13 econ.EM 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
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
Assessing the commonly used assumptions in estimating the principal causal effect in clinical trials
在临床试验中,通常需要了解主要因果效应(PCE),即主要分层(由一个或多个基线后变量的潜在结局定义的患者子集)的平均处理效应。常用的假设包括单调性、主可重复性、主可重复性和主层独立性的跨世界假设。在这篇文章中,我们通过一项2 $\times$ 2交叉研究来评估这些假设,在该研究中,只要没有遗留效应和研究期效应,就可以观察到两种治疗的潜在结局。从这个例子来看,似乎单调性假设和治疗内主要可重复性假设并不成立。另一方面,以基线协变量为条件的跨世界主要可解释性和跨世界主要阶层独立性的假设似乎是合理的。在后一种假设下,我们估计了PCE,其定义为每个治疗阶段的血糖标准差是否增加,而不依赖于交叉特征,产生的估计值接近利用交叉特征时的结果。据我们所知,这篇文章是第一次尝试使用交叉试验来评估用于估计PCE的常用假设的可行性。
2022-10-04 stat.AP stat.ME
Assumption Smuggling in Intermediate Outcome Tests of Causal Mechanisms
本文通过非参数边界分析证明中间结果检验在缺乏额外假设时无法确立或排除因果机制,并提出评估单调性假设合理性的方法,为两个近期实验估计边界。
2024-11-19 stat.AP stat.ME
Estimating Net Effects of Treatments in Treatment Sequence without the Assumption of Strongly Ignorable Treatment Assignment
在序贯因果推断中,在治疗之间存在时间依赖性协变量的情况下,估计治疗序列中治疗对末次治疗后结局的因果净效应,通过强可验证治疗分配的不可检验假设改进估计,并获得一致但非真实的基于似然性的估计。在这篇文章中,我们引入了治疗的净效应作为参数的条件分布的结果,所有的治疗和时间依赖的协变量,并表明它是等于因果净效应的治疗下,假设强可解释的治疗分配。因此,我们可以估计治疗的净效应,并在两个独立的步骤中评估其因果解释。第一步是本文的重点,而第二步可以通过通常的敏感性分析来完成。我们构造了条件结果分布的点参数化,其中感兴趣的参数是单点治疗的点效应。在点参数化的条件下,在不作不可检验假设的情况下,利用极大似然估计处理净效应,改进了处理净效应的可检验模式估计,得到了有限维模式下处理净效应的无偏相合最大似然估计.
2014-11-16 stat.ME
When Do Treatment Changes Identify Causal Effects?
University of Fribourg(弗里堡大学)
本文澄清了基于治疗变化而非治疗水平的因果推断的识别假设,并展示了其与传统识别策略的关系,提出了非嵌套假设下的双重稳健性结果。
2026-06-24 econ.EM stat.ME
Interpreting Quantile Independence
人们应该如何评估比统计独立性弱的假设的可信度,比如分位数独立性?在确定治疗变量的因果效应的背景下,我们认为,这种偏差应该选择的基础上,他们允许的不可观测的选择形式。对于分位数独立性,我们描述了这种形式的治疗选择。具体来说,我们表明,分位数的独立性是相当于一个约束的平均值的潜在倾向得分(二进制治疗)或CDF的治疗不可观测(连续治疗)。在这两种情况下,该平均值约束需要一种非单调处理选择。利用这些结果,我们表明,几种常见的治疗选择模型是不相容的分位数独立。我们引入了一类假设,通过去除平均值约束来削弱分位数独立性,因此允许单调处理选择。在二元治疗的潜在结果模型中,我们在两类假设下推导出ATT和QTT的识别集。在一个数值例子中,我们表明,固有的分位数独立的平均值约束有很大的识别能力。我们的研究结果表明,研究人员应该仔细考虑这种非单调性属性的可信度时,使用分位数的独立性,以削弱完全的独立性。
2018-04-29 econ.EM stat.ME
Multiple Treatments with Strategic Interaction
我们开发了一个实证框架,以确定和估计治疗对感兴趣的结果的影响时,治疗是战略互动的结果(例如,议价、寡头垄断进入、同行效应)。我们考虑一个模型,在这个模型中,代理人玩一个具有完全信息的离散博弈,其均衡行动(即,二进制处理)决定了一个不可分离的模型与endofocus游戏后的结果。由于第一阶段的不确定性,整个模型是不完整的,选择过程也不具有传统的单调性。在不施加参数限制或大支持假设的情况下,这在恢复治疗参数方面提出了挑战。为了解决这些挑战,我们首先建立一个单调的模式,在第一阶段的游戏中的均衡的治疗选择的数量。基于这一发现,我们推导出的平均处理效应(ATE)的非参数形状的限制和排除的外生变量的存在下的界限。我们发现,工具的变化,补偿战略替代有助于解决多重均衡问题。我们将我们的方法应用于美国城市航空公司和空气污染的数据,我们发现(i)每家航空公司对污染的因果影响是积极的,(ii)这种影响在公司数量上有所增加,但速度在下降。
2019-09-02 econ.EM stat.AP stat.ME
Instrumental Variable Quantile Regression with Misclassification
本文考虑了具有二元内生处理的工具变量分位数回归模型(Zhenzhukov and Hansen,2005,2013)。当无法直接观察治疗状态时,它提供两种识别结果。第一个结果是,值得注意的是,结果变量对工具变量的简化形式分位数回归提供了随机单调性条件下结构分位数处理效应的下限(Small和Tan,2007; DiNardo和Lee,2011)。这一结果不仅在治疗变量发生错误分类时具有相关性,而且在治疗变量的任何测量均不可用时也具有相关性。第二个结果是当治疗状态测量有误差时的结构分位数函数;我通过在广泛使用的测量误差假设下推导矩条件来获得尖锐的识别集。此外,我提出了一种推理方法,在其他协变量的存在。
2019-12-16 stat.ME
A Vector Monotonicity Assumption for Multiple Instruments
本文提出向量单调性假设,放宽多工具变量下LATE框架的严格单调性要求,刻画了二元工具变量下可点识别的因果参数类别,并提供了简单估计量及实证应用。
2024-03-25 econ.EM
Multiple Causal Inference with Latent Confounding
New York University(纽约大学);Columbia University(哥伦比亚大学)
从观察数据中进行因果推断需要假设。这些假设的范围从测量混杂因素到识别工具。传统上,因果推断假设集中于估计单一治疗的效果。在这项工作中,我们构建技术,估计与多个治疗存在未观察到的混杂。我们开发了两个假设的基础上共享的混杂因素之间的治疗和治疗的独立性的混杂因素。总之,这些假设导致一个混杂估计正则化的互信息。对于这个估计,我们开发了一个易于处理的下界。为了恢复处理效应,我们在处理中使用独立于混杂因素的剩余信息。我们验证模拟和一个例子,从临床医学。
2019-03-01 cs.LG stat.ML
Learning about treatment effects in a new target population under transportability assumptions for relative effect measures
流行病学家和应用统计学家通常认为,以协变量为条件的相对效应测量,如风险比和平均比,在人群中是"可移植的“。在这里,我们使用条件相对效应测量(例如,条件风险比或平均比)可从试验转移到目标人群。我们表明,相对效应措施的可移植性在很大程度上是不兼容的差异效应措施的可移植性,除非治疗没有影响,平均或一个愿意作出更强的可移植性假设,这意味着相对和差异效应措施的可移植性。然后,我们描述了如何边际因果被估量在目标人群中可以确定的假设下,相对效果的措施,当我们有兴趣在一个新的实验性治疗的有效性在目标人群中,唯一的治疗方法是在试验中评估的控制治疗。我们扩展了这些结果,以考虑试验中评估的对照治疗仅是目标人群中使用的治疗之一的情况,并且在目标人群中存在额外的部分可交换性假设(即,部分假设目标人群中没有未测量的混杂因素)。我们还开发了识别结果,允许相对效应测量的可移植性所需的协变量仅是控制目标人群中混杂所需的协变量的一个小子集。最后,我们提出了估计,可以很容易地实现在标准的统计软件。
2022-02-23 stat.AP stat.ME
Causal isotonic calibration for heterogeneous treatment effects
University of Washington(华盛顿大学);University of Pennsylvania(宾夕法尼亚大学)
针对异质性处理效应预测器的校准问题,提出非参数因果等渗校准及无需留出集的交叉校准,并证明其在弱条件下具有快速双重稳健速率和无分布保证。
2023-06-06 cs.LG stat.ME stat.ML
Efficient Principally Stratified Treatment Effect Estimation in Crossover Studies with Absorbent Binary Endpoints
假设希望在所有受试者均接受治疗的反事实世界中,以随机化后数量为条件,估计二元治疗对二元终点的影响。如果没有强有力的、不可检验的假设,通常很难确定这一参数。研究表明,在交叉设计下,未接受治疗的受试者随后接受治疗,可识别性假设变得更弱。假设在这些交叉受试者中观察到的治疗后生物标志物与在研究开始时接受治疗时观察到的生物标志物相同,仅需轻微的额外假设即可确定处理效应。如果终点是吸收性的,即终点如死亡或HIV感染,如果终点已经发生,则交叉治疗后生物标志物无意义,则仍然如此。在这项工作中,我们审查的可识别性结果的参数下观察到的数据分布的交叉设计与主要分层的处理效应的利益。我们描述的情况下,这些假设将是可证伪的,并表明,这些假设是不可证伪的。然后,我们提供了一个有针对性的基于最小损失的估计器,该估计器对生成数据的分布没有任何假设。当半参数效率界定义良好时,其主要条件是生物标志物是离散值,该估计量在所有正则和渐近线性估计量中是有效的。我们还提出了一个版本的生物标志物是连续的情况下,这个估计。对疫苗试验收尾设计的影响进行了讨论。
2019-11-09 stat.ME
Causal Inference with Truncation-by-Death and Unmeasured Confounding
临床研究有时会因死亡而截断,结果不确定。仅基于观察到的存活者的统计分析可能会产生偏倚结果,因为治疗组之间存活者的特征不同。通过主成分分层,幸存者平均因果效应被提出作为定义在总是幸存者中的因果被估量。然而,当治疗分配和生存或结局过程之间存在不可测量的混杂时,该被估量无法识别。在本文中,我们考虑了一个积极的治疗和保守治疗的生存单调性之间的比较。首先,我们表明,幸存者的平均因果效应的保守治疗是可识别的替代变量在适当的假设下,即使当治疗分配是不合理的。其次,我们提出了一个增广的逆概率加权(AIPW)型估计量,这个估计量具有双重的鲁棒性。最后,建立了该估计量的大样本性质。该方法被应用于研究异基因造血干细胞移植类型对白血病复发的影响。
2022-11-21 stat.ME
Testing Monotonicity of Mean Potential Outcomes in a Continuous Treatment with High-Dimensional Data
虽然大多数治疗评价集中在二元干预,越来越多的文献也考虑连续分布的治疗。我们提出了一个Cramér-von Mises型检验,用于检验在弱不混淆假设下,特定治疗的平均潜在结果与治疗剂量是否具有弱单调关系。在一个不可分的结构模型,应用我们的方法相当于测试单调性的平均结构函数在连续处理的兴趣。为了在我们的测试方法中灵活地控制可能的高维协变量集,我们提出了一个双去偏机器学习估计器,它以数据驱动的方式解释协变量。我们表明,建议的测试控制渐近大小,并对任何固定的替代品是一致的。这些理论结果得到了蒙特卡罗模拟的支持。作为一个实证说明,我们应用我们的测试的工作团的研究和拒绝之间的弱负相关关系的治疗(小时在学术和职业培训)和劳动力市场表现相对较低的治疗值。
2022-08-27 econ.EM stat.ME
Nonparametric Bounds and Sensitivity Analysis of Treatment Effects
本文考虑对治疗(或暴露)对感兴趣结果的影响进行推断。在随机分配治疗的理想环境中,在某些假设下,处理效应可从可观察数据中识别,推断简单明了。然而,在其他情况下,如观察性研究或不依从的随机试验,处理效应不再是可识别的,而不依赖于不可检验的假设。尽管如此,可观察的数据通常确实提供了一些关于治疗效果的信息,也就是说,感兴趣的参数是部分可识别的。在这种情况下,通常采用两种方法:(i)在最小假设下推导治疗效果的界限,或(ii)调用其他不可检验的假设,使治疗效果可识别,然后进行敏感性分析,以评估随着不可检验的假设的变化,关于处理效应的推断如何变化。方法(一)和(二)是在各种情况下考虑的,包括评估主要的分层效应、直接和间接效应以及随时间变化的照射效应。还讨论了对部分识别参数进行形式化推理的方法。
2015-03-05 stat.ME
Toggling the Defiers to Relax Monotonicity: The Difference-in-Instrumental-Variables Estimand
Hiroshima University(广岛大学)
本文提出DIIV估计量,通过两个具有相反合规模式的工具变量,无需单调性假设即可估计点识别的因果效应。
2026-02-13 econ.EM
Endogeneity in Weakly Separable Models without Monotonicity
当潜在结果与二元内源性治疗弱分离时,我们识别和估计处理效应。Vytlacil和Yildiz(2007)提出了一种识别策略,利用观察结果的平均值,但他们的方法需要单调性条件。相比之下,我们利用了整个结果分布中的全部信息,而不仅仅是其平均值。因此,我们的方法不需要单调性,也适用于多个索引的一般设置。我们提供的例子中,我们的方法可以识别感兴趣的处理效应参数,而现有的方法会失败。这些模型包括潜在结果取决于多个未观察到的干扰项的模型,例如Roy模型、多项式选择模型以及具有内生随机系数的模型。我们建立我们的估计的一致性和渐近正态性。
2022-08-09 econ.EM
Sensitivity of LATE Estimates to Violations of the Monotonicity Assumption
在本文中,我们开发了一种方法来评估局部平均处理效应估计对Imbens和Angrist(1994)的单调性假设的潜在违反的敏感性。我们使用两个敏感性参数来参数化违反单调性的程度:第一个参数决定了人口中defiers的份额,第二个参数衡量了顺从者和defiers之间结果分布的差异。对于这些敏感性参数的每一对值,我们推导出一阶随机优势意义上的编译器的结果分布上的尖锐的界限。我们确定的鲁棒区域是一个给定的经验结论,例如,局部平均处理效应是积极的,是有效的灵敏度参数的所有值的集合。研究人员可以通过评估所有可能的敏感性参数是否都位于稳健区域来评估其结论的可信度。我们通过自举程序获得的稳健区域的置信集,并说明了在实证应用中的灵敏度分析。我们还扩展了这一框架,以分析整个人口的处理效应。
2021-06-11 econ.EM
Robustify and Tighten the Lee Bounds: A Sample Selection Model under Stochastic Monotonicity and Symmetry Assumptions
本文通过引入随机单调性假设和非参数分布形状约束,在增强 Lee 界限稳健性的同时收紧其宽度,并证明所得界限可被根号 n 一致估计,最后用课后辅导实验数据验证了方法的实用性。
2025-01-05 econ.EM
Bounding the Effect of Persuasion with Monotonicity Assumptions: Reassessing the Impact of TV Debates
Pennsylvania State University(宾夕法尼亚州立大学);Columbia University(哥伦比亚大学)
本文通过单调性假设重新评估电视辩论对选民的说服效果,发现其影响仍较为有限。
2026-02-12 econ.EM
On the Identifying Content of Instrument Monotonicity
本文研究了Imbens和Angrist(1994)的工具单调性假设对具有二元结果、二元处理和二元外生工具的模型中潜在结果分布的识别内容。具体来说,我得出的数据分布的必要和充分条件下,确定的一套分布的潜在结果时,施加的工具单调性假设可以是一个严格的子集,当它不施加。
2019-10-16 econ.EM
Bounds on Extrapolated Treatment Effects in Regression Discontinuity Designs
Graduate School of Economics, Hitotsubashi University(一桥大学经济学研究科);Attax Co., Ltd.(Attax有限公司)
本文研究回归不连续设计中处理效应外推的识别问题,提出多断点下沿运行变量与断点组的单调性约束以刻画识别集,并辅以光滑性约束收紧,支持偏差感知与矩不等式推断。
2026-09-17 econ.EM
On the falsification of instrumental variable models for heterogeneous treatment effects
Duke University(杜克大学)
本文提出了一种用于检验异质处理效应工具变量模型的可检验推论,区分排除限制和单调性假设的违反,并扩展到多个工具变量的情况。
2026-01-20 econ.EM
Identification of multi-valued treatment effects with unobserved heterogeneity
针对存在未观测异质性的内生多值离散处理,本文借助单调性假设建立连续结果处理效应的可识别条件,给出局部处理效应的闭式表达式及示例。
2023-04-26 econ.EM
On the Use of Instrumental Variables in Mediation Analysis
经验研究者不仅对治疗是否影响目标结果感兴趣,而且对处理效应如何产生感兴趣。因果中介分析提供了一个正式的框架,以确定因果机制,通过治疗影响的结果。最流行的识别策略依赖于所谓的序贯可混淆性(SI)假设,该假设要求在治疗和结局之间的因果路径中不存在未观察到的混杂因素。尽管这种假设很受欢迎,但在许多情况下被认为过于强大,因为它排除了未观察到的混杂因素的存在。这一局限性激发了最近的文献考虑一种替代的识别策略的基础上的工具变量(IV)。本文讨论了在一个二进制处理和一个二进制工具变量,这两个都被假定为随机设置的因果中介效应的识别。我们发现,虽然IV方法允许可能存在的未观察到的混杂因素,额外的单调性假设是必需的,除非假设强常数效应。此外,即使满足这种单调性假设,IV被估量不一定等同于目标参数。
2022-01-30 econ.EM
Point Identification of LATE with Two Imperfect Instruments
本文用两种非理想仪器对局部平均处理效应(LATE)的点识别结果进行了表征。经典方法(Imbens和Angrist(1994))通过满足排除性、单调性和独立性的工具来确定LATE。然而,要找到一种同时满足所有这些假设的单一工具可能是具有挑战性的。我的论文使用了两种工具,但对这两种工具都施加了较弱的假设。第一个工具被允许违反排除限制,第二个工具不需要满足单调性。因此,第一个工具可以通过直接影响和治疗状态的转变来影响结果。直接效应可以通过第二仪器中的外生变化来识别,因此识别出了局部平均处理效应。提出了一种估计,并使用蒙特卡罗模拟,它表现出更强大的比工具变量估计。
2023-03-24 econ.EM
2SLS with Multiple Treatments
该研究探讨多处理异质性模型中两阶段最小二乘法(2SLS)的识别问题,得出平均条件单调性与无交叉效应是其识别各处理个体效应正加权和的充要条件,分析可适配多处理、多工具变量及协变量场景,并给出可检验推论与选择行为特征。
2024-05-23 econ.EM
Robust Identification in Randomized Experiments with Noncompliance
本文针对存在不依从的随机实验,在两组放松的LATE假设下推导了因果参数的紧界,并通过实证应用验证了标准LATE假设的不兼容性,提供了更具稳健性的因果识别方案。
2025-03-20 econ.EM
Doubly Robust Identification of Causal Effects of a Continuous Treatment using Discrete Instruments
本文提出一种双重稳健的因果估计方法,在平均处理单调性或处理秩相似性任一条件下均有效,用于二元工具变量下连续处理的因果识别,并通过睡眠对幸福感的影响验证了其与2SLS估计的一致性。
2024-02-26 econ.EM
Global Representation of the Conditional LATE Model: A Separability Result
本文研究了条件LATE模型的潜在指数表示,明确了协变量在治疗选择中的作用。我们发现,如果单调性条件的方向是相同的所有值的条件协变量,这是经常假设在文献中,那么治疗选择方程必须满足仪器和协变量之间的可分性条件。该全局表示结果确立了对协变量进入治疗选择方程的方式施加的可检验限制。我们后来扩展的表示定理,将多个有序的治疗水平。
2022-03-21 econ.EM
Testing for Unobserved Heterogeneous Treatment Effects with Observational Data
未观察到的异质处理效应在最近的政策评估文献中得到了强调(参见例如,Heckman和Vytlacil,2005年)。本文提出了一个非参数检验的未观察到的异质性处理效应的处理效应模型与二元治疗分配,允许个人的自我选择的治疗。在标准局部平均处理效应假设下,即,无defiers条件下,我们推导出可检验的模型限制的假设未观察到的异质处理效应。此外,我们表明,如果治疗结果满足单调性假设,这些模型的限制也是足够的。然后,我们提出了一个修改后的Kolmogorov-Smirnov型测试,这是一致的和简单的实现。蒙特卡罗模拟表明,我们的测试表现良好,在有限的样本。为了说明,我们应用我们的测试来研究异质性处理效应的就业培训伙伴关系法的收入和生育对家庭收入的影响,同质处理效应的零假设在第二种情况下被拒绝,但未能被拒绝在第一个应用程序。
2021-08-16 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