Beyond Parallel Trends: An Identification-Strategy-Robust Approach to Causal Inference with Panel Data
University of Georgia（佐治亚大学）；Emory University（埃默里大学）；University of Alabama（阿拉巴马大学）
本文提出一种稳健于识别策略的面板数据因果推断方法，通过寻找相近比较组来提高推断的可信度。
2025-11-26 econ.EM
Testing Exclusion and Shape Restrictions in Potential Outcomes Models
Boston University（波士顿大学）；University of Chicago（芝加哥大学）
本文提出了一种通用框架，用于检验潜在结果模型中排除和形状限制的可检验性，通过图表示方法统一推导建模假设的可观察含义，并应用于工具变量、治疗选择等场景。
2026-11-11 econ.EM
Sharpening Identification in Large Structural VARs Using Narrative Restrictions
TU Dortmund（多特蒙德工业大学）
本文提出了一种高维结构向量自回归框架，通过误差项的因子结构容纳大量线性不等式限制，以提升大规模结构VARs的识别精度和经济解释性。
2026-05-19 econ.EM
Testing the Exclusion Restriction with a Single Instrument: Identification through Fourth-Order Cumulants under Latent Confounding
Universidad Nacional del Sur（南方国立大学）；INMABB–CONICET（INMABB-CONICET）
本文提出结合IV分析与LiNGAM方法，利用数据非高斯性测试排除限制，通过蒙特卡洛模拟和实证应用验证了方法的有效性与稳健性。
2026-09-14 econ.EM
Identification and Estimation of Weakly Separable Models Without Monotonicity
研究了弱可分模型中处理效应参数的识别和估计问题。在他们的开创性工作中，Vytlacil和Yildiz（2007）展示了当结果在单个指标中是弱可分的时，如何识别和估计虚拟内生变量的平均处理效应。他们的识别结果建立在一个单调性条件，相对于这个单一的指标。相比之下，我们考虑了类似的弱可分多指标模型，并放松了单调性条件的识别。与Vytlacil和Yildiz（2007）不同，我们利用了结果变量分布中的全部信息，而不仅仅是其均值。事实上，当结果分布函数比平均值更具信息性时，我们的方法适用于比他们更一般的设置;特别是我们不依赖于他们的单调性假设，同时我们也允许多个指数。为了说明我们的方法的优势，我们提供了模型的例子，我们的方法可以识别感兴趣的参数，而现有的方法会失败。这些示例包括具有多个未观察到的干扰项的模型，例如Roy模型和具有虚拟内生变量的多项式选择模型，以及具有内生随机系数的潜在结果模型。我们的方法很容易实现，并可以应用到广泛的一类模型。我们建立标准的渐近性质，如一致性和渐近正态性。
2020-04-03 econ.EM
Identification and Counterfactual Analysis in Incomplete Models with Support and Moment Restrictions
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出了一种统一的识别框架，用于不完整模型中的反事实分析，通过扩展支持函数方法并引入不可约条件，证明在有限样本中识别集和矩闭包的统计不可区分性。
2026-03-08 econ.EM
Partial Identification with Auxiliary Moment Restrictions
University of Pittsburgh（匹兹堡大学）
研究指出部分识别因区域宽而常被搁置，利用多数区间值数据集中已有信息，开发框架限制数据补全集，刻画最佳线性预测器识别区域，不同限制效果不同，能恢复粗化结果丢失的部分识别能力。
2026-07-27 econ.EM
Identifying treatment effects on categorical outcomes in IV models
The California Polytechnic State University（加州州立理工大学）
本文在二元处理与工具变量设定下提出分类结果因果推断的非参数框架，通过关联相似性实现点识别，并给出单调关联和有界关联下的部分识别边界，应用于估计私人健康保险对健康结果的影响。
2026-10-07 econ.EM
Identification and inference of outcome conditioned partial effects of general interventions
本文提出结果条件化部分政策效应（OCPPE）这一新分布因果量，用于衡量一般反事实干预对结果分布不同分位数区间个体的平均效应，推导了其半参数有效界，提出高效去偏估计量及均匀推断程序，并应用于禁烟政策对婴儿出生体重影响的分析。
2024-07-24 econ.EM
Structural Representations and Identification of Marginal Policy Effects
本文揭示了不可分离模型中边际政策效应的结构解释，提出了一种基于泛函导数的等价性定义，并据此开发了补充现有方法的替代识别策略。
2025-07-09 econ.EM
Identification of time-varying counterfactual parameters in nonlinear panel models
本文提出含固定效应与时间效应的非线性半参数面板模型识别框架，在无误差参数分布等假设下识别反事实结果生存分布，并推导双向固定效应选择模型的平均偏效应和边际效应。
2023-11-04 econ.EM
Heterogeneity, Uncertainty and Learning: Semiparametric Identification and Estimation
本文针对连续结果依赖三类不可观测因素的学习模型，在短面板数据下建立半参数识别，提出筛网MLE估计方法，并应用于职业选择中的能力学习，发现基于工资的显著学习效应。
2025-06-23 econ.EM
On global identification in structural vector autoregressions
University of Bologna（博洛尼亚大学）；Brown University（布朗大学）
研究结构向量自回归中全局识别问题，指出鲁维奥 - 拉米雷斯等人给出的充要条件不充分，通过反例分析原因，进而推导修正的充要条件并说明实践评估方法。
2026-07-08 econ.EM
Identification and Estimation in a Nonseparable Instrumental Variable Model with Multivariate Outcomes
Hitotsubashi University（一桥大学）
针对多元结果中分别估计IVQR模型忽略跨方程相关性的问题，本文提出容纳多元不可观测异质性的非线性工具变量模型，并证明在离散处理与工具变量且正相关足够强时结构函数可局部识别。
2026-09-29 econ.EM math.ST stat.TH
Identification of Heterogeneous Peer Effects
Erasmus University Rotterdam（伊拉斯姆斯大学鹿特丹）；Tindbergen Institute（廷伯根研究所）；Université Laval（拉瓦尔大学）；University of Surrey（萨里大学）
研究异质同伴效应，构建基于同伴结果排名的模型，可通过外生特征识别参数。引入分位数依赖系数简化模型并检验，应用于学生数据发现现有模型无法捕捉的效应，揭示学生网络影响因素。
2026-07-27 econ.EM
Evaluating the Impact of Regulatory Policies on Social Welfare in Difference-in-Difference Settings
University of California, Davis（加州大学戴维斯分校）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）；Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出了一种统一的识别方法，用于评估监管政策对社会福利的影响，通过copula稳定性假设提供对任何类型结果的界限，并通过实证数据验证其有效性。
2025-11-22 econ.EM
Correcting sample selection bias with categorical outcomes
本文针对分类结果变量的样本选择偏差问题，提出基于局部表示的非参数识别方法和带样本选择的半参数多项logit模型及两步估计量，并以科特迪瓦医疗保健利用为例进行实证说明。
2025-11-08 econ.EM
Tractable Identification of Strategic Network Formation Models with Unobserved Heterogeneity
University of Pennsylvania（宾夕法尼亚大学）；National University of Singapore（新加坡国立大学）
本文提出了一种可识别的战略网络形成模型方法，处理战略链接依赖和个体未观察到的异质性。通过'bounding-by-c'技术利用单调性限制获得识别信息，并提供固定效应处理策略和点识别结果。
2026-03-17 econ.EM
Coping with Inductive Risk When Theories are Underdetermined: Decision Making with Partial Identification
Northwestern University（西北大学）
本文探讨了在理论不确定情况下，通过部分识别方法进行经济政策分析，以降低归纳风险并提升决策可信度。
2026-04-08 econ.EM
Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
本文提出非参数框架，解决潜在结果测量不完美时的因果推断问题，通过非参数桥函数实现估计和识别，克服跨研究和跨指标的非可比性挑战。
2026-10-21 econ.EM stat.AP stat.ME
Locally robust semiparametric estimation of sample selection models without exclusion restrictions
针对半参数样本选择模型依赖排他性约束的问题，本文基于选择方程非线性和结果方程线性的假设实现无约束识别，提出局部稳健估计量并验证其渐近性质，模拟和应用表明该方法有效。
2024-12-02 econ.EM
Partial Identification of Personalized Treatment Response with Trial-reported Analyses of Binary Subgroups
医学期刊坚持的报道实践严重限制了已发表的试验结果的有用性。医疗决策者通常观察许多患者协变量，并寻求使用这些信息来个性化治疗选择。然而，标准的试验结果摘要只是将受试者分为广泛的亚组，通常分为二元类别。鉴于这种报告实践，我们研究了长期平均治疗结果E[y（t）]的推断问题。|其中t是治疗，y（t）是治疗结果，并且协变量向量x具有长度K，每个分量是二进制变量。可用数据是{E[y（t）|xk = 0]，E[y（t）|xk = 1]，P（xk）}，k = 1，. . .，K在期刊文章中报道。我们表明，报告的试验结果部分确定{E[y（t）|x]，P（x）}.说明性的计算表明，在期刊文章中的试验结果的摘要可能意味着只有宽的边界上的长期平均结果。如果能将报告的试验结果与具有识别能力的可信假设（如有界变差假设）结合起来，就能切实地加强推论。
2022-09-03 econ.EM
Constraint Qualifications in Partial Identification
随机规划的文献通常限制注意满足约束条件的问题。在部分识别下的估计和推理的文献经常限制几何形状的识别集与不同的高层次的假设。从表面上看，这些似乎是处理密切相关问题的不同方法。我们深入分析了它们之间的关系。除其他外，我们表明，部分识别通过纯矩不等式，许多假设从文献中基本上符合Mangasarian-Fromowitz约束资格。这澄清了著名的贡献之间的关系，包括在计量经济学，并阐明严格性，以及易于验证，一些高层次的假设，在开创性的论文。
2021-04-12 econ.EM
Uncertain Short-Run Restrictions and Statistically Identified Structural Vector Autoregressions
本文提出一种结合统计识别与可能无效的短期零约束的收缩估计方法，通过数据驱动决定是否继续收缩，模拟和实证表明该方法能提高估计精度并识别出驱动油价的信息冲击。
2024-04-03 econ.EM
Revealed Social Networks
Georgetown University（乔治城大学）；University of Maryland（马里兰大学）；Bocconi University（博科尼大学）；IGIER（意大利国际经济研究学院）
本文针对线性均值模型开发显示偏好式检验，研究其识别特性，发现结果变量维度与识别密切相关，一维时识别失效普遍，多维时识别普遍存在。
2026-08-25 econ.EM econ.TH
A Unified Framework for Identification and Inference of Local Treatment Effects in Sharp Regression Kink Designs
School of Economics, Shanghai University of Finance and Economics（上海财经大学经济学院）
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
Matching Points: Supplementing Instruments with Covariates in Triangular Models
具有离散内生变量的模型通常在工具采用太少值时被低估。本文提出了一种新的方法，匹配对协变量和仪器恢复点识别在这种情况下，在三角形模型。该模型由连续结果的结构函数和离散内生变量的选择模型组成。结构结果函数在标量扰动中必须是连续和单调的，但它可以是不可分的。选择模型允许不受限制的异质性。在较弱的条件下得到了全局辨识。本文还提供了结构结果函数的估计。两个经验性的例子，返回到教育和选择到头开始说明的价值和局限性的方法。
2020-07-27 econ.EM
Quantile and Distribution Treatment Effects on the Treated with Possibly Non-Continuous Outcomes
International Food Policy Research Institute（国际粮食政策研究所）；Culverhouse College of Business, University of Alabama（阿拉巴马大学卡尔弗豪斯商学院）
本文提出了一种分布差分-in-差分框架，用于在非连续分布结果的情况下识别和进行分布和分位数处理效应的统一推断，通过经济犯罪模型展示了如何处理计数类型的未处理潜在结果。
2026-05-20 econ.EM
Informational Content of Factor Structures in Simultaneous Binary Response Models
研究了离散三角系统中因子结构的信息含量。因素结构已被用于各种设置中的横截面和面板数据模型，在本文中，我们正式量化其识别能力的双变量系统中经常采用的处理效应文献。我们的主要研究结果是，施加一个因素结构产生点识别的参数的兴趣，如与内生回归结果方程中的系数，在较弱的假设下，通常需要在这些模型。特别是，我们表明，一个“非标准”的排除限制，需要一个解释变量的结果方程被排除在治疗方程不再是必要的识别，即使在所有的回归结果方程是离散的情况下。我们还建立了更一般的因素结构模型中的内生回归系数的识别，在这种情况下，人们可以获得至少两个连续测量的共同因素。
2022-03-24 econ.EM
Semiparametric Difference-in-Differences Estimation With Missing Not at Random Data: A Shadow Variable Approach
Hitotsubashi University（一桥大学）
针对结果变量缺失非随机（MNAR）的情况，利用完全观测的影子变量，提出半参数双重差分（DID）框架来识别和估计处理组平均处理效应（ATT）。
2026-06-07 econ.EM
Integrability and Identification in Multinomial Choice Models
麦克法登的随机效用模型的多项选择长期以来一直是应用研究的主力。我们建立了形状的限制下，多项选择概率函数可以合理化，通过随机效用模型与非参数未观察到的异质性和一般收入的影响。当与附加限制相结合时，上述条件等价于规范的加性随机效用模型。该证明是建设性的，有利于非参数识别的偏好分布，而不需要在无穷大识别类型的参数。一个推论表明，斯卢茨基对称性，以前的合理化结果的一个关键条件，相当于没有收入的影响。我们的研究结果意味着理论一致的非参数界的选择概率反事实集。它们也适用于广泛使用的随机系数模型，条件是可观察的选择特征。偏微分方程理论在我们的分析中起着关键作用。
2021-05-19 econ.EM
Estimation of Impulse-Response Functions with Dynamic Factor Models: A New Parametrization
提出了一种新的参数化方法，用于动态因子模型（DFM）的脉冲响应函数（IRF）的估计和识别。本文的理论贡献涉及不同IRF之间的观测等效性问题，这意味着没有进一步的限制，IRF参数的非识别。我们展示了如何将先前提出的最小识别条件嵌套在新的框架中，并可以进一步增强过度识别限制，从而提高效率。目前的标准做法的国际RF估计的DFMs是基于主成分，相比之下，新的参数化是限制较少，并允许建模更丰富的动态。作为本文的经验贡献，我们开发了一种基于EM算法的估计方法，该方法结合了所提出的识别限制。在实证应用中，我们使用一个标准的高维宏观经济数据集来估计货币政策冲击的影响。我们估计宏观经济变量的强烈反应，而基准模型似乎给出了定性违反直觉的结果。估计方法在随附的R包中实现。
2022-02-22 econ.EM
Beyond Validity: SVAR Identification Through the Proxy Zoo
The Hong Kong University of Science and Technology（香港科技大学）；UCLouvain（鲁汶大学）
本文提出了一种通过代理质量参数部分识别SVAR模型的方法，以提高识别稳健性并减少代理变量选择偏差。
2026-01-16 econ.EM
Monotone Response for Random Objects
The University of Tokyo（东京大学）；Hitotsubashi University（一桥大学）；London School of Economics（伦敦政治经济学院）
本文针对现有单调识别分析仅聚焦标量结果的局限，开发统一框架实现一般度量空间随机对象的部分识别，通过实证示例验证了其有效性。
2026-08-04 econ.EM
IV Regressions without Exclusion Restrictions
本文研究了在无排除性工具变量条件下内生回归模型的识别与估计，提出了两种半参数估计量和一种基于离散化的估计量，证明了其渐近正态性，并通过模拟和实证验证了其稳健性。
2023-07-31 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
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型，代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下，我们感兴趣的是确定在每个阶段的个人的平均结果，有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应（ATE）和关于转变的ATE，以及最佳处理方案，即，使平均潜在结果的（加权）和最大化的方案，可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明，感兴趣的参数下确定每个时期的双向排除限制，即，结果确定过程中排除了工具，治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下，后者的变量是不可用的。最后，我们将我们的结果扩展到一个设置，治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
Instrumental variable estimation of dynamic treatment effects on a duration outcome
本文考虑识别和估计时间Z的因果关系，直到一个受试者接受治疗的生存结果T的影响。治疗未随机分配，T通过随机变量C随机右删失，至治疗时间Z通过min（T，C）右删失。内禀问题是用一个工具变量来解释Z和独立的模型的误差项。我们在一个完全非参数的框架中研究识别。我们表明，我们的规格生成一个积分方程，其中的回归函数的利益是一个解决方案。我们提供了依赖于这个识别方程的识别条件。为了估计的目的，我们假设回归函数遵循参数模型。我们提出了一个估计过程，并给出了条件下，估计是渐近正态的。在模拟中的估计表现出良好的有限样本性质。我们的方法被应用于寻找证据支持疗效的治疗烧伤。
2022-12-17 econ.EM math.ST stat.TH
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
SVARs with breaks: Identification and inference
University of Bologna（博洛尼亚大学）；Brown University（布朗大学）
本文提出了一种具有结构断裂的SVAR模型，通过引入稳定性限制和不等式约束提高识别效率，并开发了纯贝叶斯和稳健贝叶斯方法以应对集识别下的推断问题。
2026-03-08 econ.EM
Identification and Estimation in a Class of Potential Outcomes Models
本文提出一类具备统一结构的潜在结果模型，给出因果参数识别的充要条件与双重稳健估计方法，并通过实证评估验证了其在因果模型开发中的实用性。
2023-10-08 econ.EM math.ST stat.TH
Sharp Testable Implications of Encouragement Designs
University of Southern California（南加州大学）
本文针对鼓励设计框架下的潜在处理约束，推导得出尖锐的闭式可检验不等式，提出对应的约束检验方法，并通过实证应用识别出约束违反情况及背后的替代模式。
2026-10-28 econ.EM
The Identification Power of Combining Experimental and Observational Data for Distributional Treatment Effect Parameters
Faculty of Economics, The University of Tokyo（东京大学经济学部）
本文研究结合随机实验数据和自选择观察数据对分布治疗效应参数的识别力，提出非参数尖界并探讨数据结合提升识别力的机制。
2026-09-28 econ.EM
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
Identification and Estimation of Network Models with Nonparametric Unobserved Heterogeneity
University College London（伦敦大学学院）
本文提出了一种非参数网络模型，通过利用相互作用结果识别具有相同固定效应的主体，并通过观测特征变化来估计协变量影响，从而解决未观测异质性对估计一致性的影响。
2026-02-06 econ.EM
Identification of Random Coefficient Latent Utility Models
本文给出了扰动效用模型中随机系数分布的非参数辨识结果。我们涵盖离散和连续选择模型。我们使用平均数量的变化来建立识别，当分析师观察总需求时，结果适用，但不适用于商品是否被一起选择。我们需要排除限制和独立的随机斜率系数和随机截距。我们不要求回归变量具有大的支持或参数假设。
2020-02-29 econ.EM
Semiparametric Identification of the Discount Factor and Payoff Function in Dynamic Discrete Choice Models
Faculty of Economics, University of Tokyo（东京大学经济学部）
本文研究平稳无限期动态离散选择模型中贴现因子与收益函数的识别，证明单代理人模型中的收益形状约束及动态博弈中的行动无关性、可交换性等假设可实现半参数识别。
2026-11-10 econ.EM
Large Bayesian VARs with Factor Stochastic Volatility: Identification, Order Invariance and Structural Analysis
具有多元随机波动率的向量自回归（VAR）被广泛用于结构分析。通常，结构模型是通过经济上有意义的限制来确定的，例如，符号限制，应该与因变量的排序无关。但由于简化形式的模型不是阶不变的，结构分析的结果取决于变量的阶数。我们考虑一个VAR的基础上的因素随机波动率，构造为顺序不变的。我们表明，存在的多元随机波动允许统计识别的模型。我们进一步证明了，与一组适当的符号限制，相应的结构模型是点识别。所提出的方法的另一个吸引力是，它可以很容易地处理大量的因变量以及符号限制。我们通过一个结构性分析来证明这种方法，在这个分析中，我们使用一个带有符号限制的20个变量的VAR来识别5个结构性冲击。
2022-07-08 econ.EM stat.ME
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
Identification and Estimation of SVARMA models with Independent and Non-Gaussian Inputs
研究了独立冲击和非高斯冲击驱动下的结构向量自回归滑动平均（SVARMA）模型的可辨识性。众所周知，如果不对参数施加进一步的识别限制，则无法识别由高斯误差驱动的SVARMA模型。即使在简化形式下，并假设稳定性和可逆性，向量自回归移动平均模型一般不需要确定某些参数矩阵是非奇异的。冲击的独立性和非高斯性被用来表明它们被识别为排列和缩放。通过这种方式，通常施加的识别限制变得可测试。此外，我们引入了一个最大似然估计的非高斯SVARMA模型是一致的，渐近正态分布。
2019-10-09 econ.EM
Nonparametric instrumental regression with right censored duration outcomes
本文分析了离散处理Z对持续时间T的影响。治疗不是随机分配的。使用离散的工具变量解释治疗和独立的模型的误差项的混杂问题进行治疗。我们的框架是非参数的，并允许随机右删失。该规范生成非线性逆问题，并且从其解导出平均处理效果。我们提供了依赖于一个非线性系统方程的局部和全局识别特性。我们提出了一个估计程序来解决这个系统，并推导出收敛速度和条件下，估计是渐近正态的。当删失使识别失败时，我们开发部分识别结果。我们的估计在模拟中表现出良好的有限样本性质。我们还将我们的方法应用于伊利诺伊州再就业奖金实验。
2020-11-20 econ.EM math.ST q-bio.QM
Identification and Estimation of Simultaneous Equation Models Using Higher-Order Cumulant Restrictions
本文提出仅利用单阶高阶累积量的对角性条件，即可识别联立方程模型的结构参数，无需零协方差或白化假设，并给出易于计算的估计量及过度识别检验，通过模拟和两个应用验证了其有效性。
2025-09-10 econ.EM stat.ML
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
AI-Generated Measurements for Identification and Inference with Missing Data: A Weak Shadow Variable Approach
Massachusetts Institute of Technology, Cambridge, MA 02139（麻省理工学院）；Emory University, Atlanta, GA 30322（埃默里大学）
针对缺失非随机（MNAR）导致的估计偏差，提出部分识别框架，通过线性规划结合预训练模型（如LLM）的预测作为弱影子变量收紧边界，并设计集合扩张估计器保证覆盖，实验显示识别区间缩小75-83%。
2026-09-01 cs.LG econ.EM stat.ME
