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
Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction
我们提出一种利用机器学习进行回归调整的方法,以估计随机实验中的分布处理效应,通过纳入预处理协变量来降低估计器方差,并提供了渐近性质和一致推断方法,模拟与实证均验证其有效性。
2024-07-22 econ.EM math.ST stat.ML
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
Standard errors when a regressor is randomly assigned
我们研究的OLS估计的渐近性质时,感兴趣的回归变量的值被随机分配,独立于其他回归。我们发现,在这种情况下,OLS方差公式往往是简化的,有时大幅。特别是,当感兴趣的回归变量不仅独立于其他回归变量,而且独立于误差项时,即使误差项和辅助回归变量表现出一般的依赖结构,教科书中的同向方差公式也是有效的。在随机对照试验的背景下,这一结论适用于具有恒定处理效应的完全随机化实验。当误差项相对于所关注的回归变量是异方差时,方差公式不仅必须针对异方差性进行调整,而且还必须针对误差项的相关结构进行调整。然而,即使在后一种情况下,一些简化是可能的,因为仅应考虑误差项的相关结构的一部分。在随机对照试验的背景下,这意味着如果处理效应是异质的,则教科书上的同方差方差公式通常无效,但如果处理效应在各单位之间是独立的,则异方差稳健方差公式有效,即使误差项表现出一般依赖结构。此外,我们将结果扩展到当感兴趣的回归变量在组水平上随机分配时的情况,例如在随机对照试验中,治疗分配在组中确定(例如,学校/村庄)一级。
2023-03-18 econ.EM
Interference, Bias, and Variance in Two-Sided Marketplace Experimentation: Guidance for Platforms
双边市场平台经常在平台范围内推出之前进行实验,以测试干预的效果。一种典型的方法是将个体随机分为接受干预的治疗组和不接受干预的对照组。然后,该平台比较两组的表现,以估计如果对每个人进行干预的效果。我们专注于两种常见的实验类型,其中平台在供应侧或需求侧随机分配个体。在这些实验中,对处理效应的估计通常是有偏差的:因为市场中的个体相互竞争,处理组中的个体会影响控制组中的个体,反之亦然,从而产生干扰。我们开发了一个简单易处理的市场模型来研究这些实验中的偏差和方差。我们关注平台可用的两个选择:(1)它应该在平台的哪一侧随机化(供应或需求)?(2)应分配多大比例的个人接受治疗?我们发现,这两种选择影响的偏差和方差的估计,但在不同的方式。实验类型的偏优选择取决于市场的相对供给量和需求量,我们讨论了平台如何使用市场数据来选择实验类型。重要的是,我们发现在许多情况下,选择偏优实验类型对方差的影响很小。另一方面,处理比例的选择可以引起偏差-方差权衡,其中偏差最小化比例增加方差。我们讨论了一个平台如何导航这种权衡,并最好地选择治疗比例,使用模型以及有关市场的背景知识,干预的风险和干预的合理效果大小的组合。
2021-04-25 econ.EM stat.ME
Simple Standard Errors for Complicated (Quasi-)Experimental Designs
UC Davis(加州大学戴维斯分校);Brown University(布朗大学)
该研究针对个体间存在复杂依赖模式的(准)实验设计,提出一种简易方差估计量,其在模拟与实证研究中表现良好,部分场景下标准误较现有方法短2-3倍。
2026-10-12 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
Trading-off Bias and Variance When the Size of the Treatment Effect is Bounded
Sciences Po(巴黎政治学院)
本文研究在 CATE 大小或异质性有界条件下,通过推导极小化极大线性估计量和置信区间来权衡 ATE 估计中的偏差与方差,并在实证中取得约 5% 的精度提升。
2025-11-10 econ.EM math.ST stat.TH
Unifying Design-based Inference: On Bounding and Estimating the Variance of any Linear Estimator in any Experimental Design
本文提供了一个基于设计的框架,方差(界)估计的实验分析。结果适用于几乎任何组合的试验设计,线性估计(例如,均值差、OLS、WLS)和方差界,允许统一处理,并为使用矩阵谱分析进行系统研究和比较设计提供基础。一个建议的方差估计再现Eicker-Huber-White(又名。“稳健”、“异方差一致”、“三明治”、“白色”、“Huber-White”、“HC”等)标准误和“集群稳健”标准误误差作为特殊情况。虽然过去的工作已经表明,在某些设计下,基于设计的和所谓的“鲁棒”标准误之间的代数等价性,本文激励他们广泛的设计估计约束三元组。这样做,它为方差估计量提供了更清晰和更一般的动机。
2021-09-19 econ.EM stat.ME
Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
Princeton University(普林斯顿大学)
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
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
Experimental Design under Network Interference
Harvard University(哈佛大学)
本文研究了在存在溢出效应时如何设计双阶段实验以精确推断处理效应。通过单网络连接单元、个体间局部依赖及一般类别的估计量,提出统计框架优化参与者和处理分配以最小化估计量方差,并提供推断和方差的保证。
2026-06-18 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
Two-way Clustering Robust Variance Estimator in Quantile Regression Models
University at Albany – State University of New York(纽约州立大学奥尔巴尼分校)
针对双向聚类数据,提出一种基于核密度估计和投影分解的双向聚类稳健三明治方差估计量,并证明其在高斯机制下的一致性及推断有效性。
2026-07-07 econ.EM stat.AP
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
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
Variance reduction combining pre-experiment and in-experiment data
University of California, Berkeley(加州大学伯克利分校);Etsy, Inc.(Etsy公司)
本文提出一种结合预实验和实验证据数据的方差缩减框架,提升A/B测试的敏感度,通过理论分析和实验证实其有效性。
2026-03-21 cs.LG econ.EM stat.AP
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
Inference in Experiments with Matched Pairs and Imperfect Compliance
本文研究了不完全依从且处理状态由匹配对确定的随机对照试验中局部平均处理效应的推断问题,推导了Wald估计量的极限分布,提出一致的方差估计量,并证明包含额外协变量和配对固定效应的两阶段最小二乘估计量能提高估计精度。
2024-06-26 econ.EM math.ST stat.TH
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
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