Instrument-based estimation of full treatment effects with movers
针对政策评估中常仅能估计子集处理效应的问题，提出用含流动者的工具变量部分识别完整处理局部平均效应，验证相关约束与可检验性，在三项实证中得到有效界。
2023-06-12 econ.EM
Sharp Hybrid Confidence Bands for Partially Identified Treatment Effects under Tail Uncertainty with an Application to Workforce Gender Diversity and Firm Performance
The Inclusion Initiative, London School of Economics and Political Science（伦敦政治经济学院包容性倡议）；Data Science Institute, London School of Economics and Political Science（伦敦政治经济学院数据科学研究所）
本文提出concATE方法，结合分布自由浓度界和渐近delta方法，解决尾部不确定性下的处理效应估计问题，并应用于企业绩效分析。
2026-04-13 econ.EM stat.ME
Optimal Decision Rules when Payoffs are Partially Identified
Yale University（耶鲁大学）；University of Southern California（南加州大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出在收益部分识别情况下，结合最小最大方法和平均风险最小化方法，推导出最优决策规则，并应用于治疗选择和定价问题。
2025-12-18 econ.EM stat.ME
Crime and Mismeasured Punishment: Marginal Treatment Effect with Misclassification
本文在处理变量误分类情形下部分识别边际处理效应，利用工具变量与误分类决策的相关性限制，识别MTE符号或界定其范围，并以巴西替代刑罚对累犯影响为例，估计误分类偏差可达最大MTE的10%。
2023-07-12 econ.EM
Locally Asymptotically Minimax Statistical Treatment Rules Under Partial Identification
本研究在部分识别下提出局部渐近极小极大统计处理规则，仅需方向可微性，模拟显示其优于插入式规则。
2023-11-15 econ.EM
Local Asymptotics for Treatment Choice with Partial Identification
本文针对部分识别下治疗选择问题，提出新渐近框架，将简化型参数以最不利配置为中心，表征极限决策问题为正态位置偏移模型，并将结果应用于三类相关问题。
2026-08-14 econ.EM
Optimal Dynamic Treatment Regimes and Partial Welfare Ordering
动态治疗方案是针对异质个体的治疗分配。最优动态治疗制度是一种最大化反事实福利的制度。我们引入了一个框架，在这个框架中，我们可以部分地从观测数据中学习最优动态机制，放松文献中常用的顺序随机化假设，而是使用（二进制）工具变量。我们提出了动态制度下反事实福利的尖锐偏序的概念，并通过一组线性规划建立了从数据到偏序的映射。然后，我们确定的最佳制度的特点是与偏序相关的最大元素的集合。我们将偏序的概念与更传统的使用拓扑排序的部分识别概念联系起来。实际上，拓扑排序可以作为决策者的政策基准。我们应用我们的方法来理解学校教育和毕业后培训的回报，通过结合来自多个来源的数据，将其作为一系列治疗。本文件的框架可以在当前背景之外使用，例如，在不同的反事实情景中建立多种治疗或政策的排名。
2021-07-12 econ.EM
Identifying Marginal Treatment Effects in the Presence of Sample Selection
本文介绍了样本选择时边际处理效应（MTE）的识别结果。我们表明，MTE是部分确定的个人总是观察到无论治疗，并得出一致的尖锐的界限，这个参数下三个越来越严格的假设。第一个结果采用了标准的MTE假设与不受限制的样本选择机制。第二组条件对样本选择变量相对于治疗的单调性施加影响，显著缩小了识别集。最后，我们纳入了一个随机优势的假设，收紧下限的MTE。我们的分析扩展到离散工具。结果依赖于混合物重新制定的问题，其中混合物的权重被确定，扩展李（2009年）修剪程序的MTE上下文。我们提出了估计的界限，并使用数据提供的Deb，Munking和Trivedi（2006年），以实证说明我们的方法的有用性。
2021-12-13 econ.EM
Local Average and Marginal Treatment Effects with a Misclassified Treatment
Rochester Institute of Technology（罗切斯特理工学院）；UNC-Chapel Hill（北卡罗来纳大学教堂山分校）；ORT Uruguay（乌拉圭 ORT）
本文研究了二元误分类处理变量下LATE和MTE的识别问题，推导了LATE界限并界定MTE，证明了MTE在温和正则条件下局部可识别，并通过数值和实证结果展示了其实际相关性。
2026-06-20 econ.EM
Dynamic covariate balancing: estimating treatment effects over time with potential local projections
Harvard University（哈佛大学）；Cornell University（康奈尔大学）
本文提出动态协变量平衡方法，用于估计随时间变化的处理效应，通过递归投影潜在结果并平衡可观察特征以减少偏倚。
2026-02-22 econ.EM math.ST stat.ME
Partial Identification of Distributional Treatment Effects in Panel Data using Copula Equality Assumptions
本文提出利用面板数据和两种组内Copula等式假设部分识别分布处理效应，并通过锻炼对体重影响的实证展示其增强识别能力。
2024-11-07 econ.EM
Policy-relevant causal effect estimation using instrumental variables with interference
本文研究了存在个体互动干扰时的工具变量因果效应估计问题，提出一个框架定义并部分识别直接效应与溢出效应，通过推广单调处理响应和选择假设推导出政策相关效应的信息性边界，为存在干扰时的项目评估和处理规模扩展提供支持。
2025-09-16 econ.EM
A path-sampling method to partially identify causal effects in instrumental variable models
在一般工具变量模型中，部分识别方法是标准点识别方法的一种灵活和鲁棒的替代方法。然而，这种灵活性是以“基数诅咒”为代价的：对所确定的集合的限制数量随着支持内源性处理的点的数量呈指数级增长。本文提出了一种新的路径采样方法来应对这一挑战。它的目的是部分识别因果效应的利益在最复杂的模型与连续的内源性治疗。随机过程表示允许将对个人行为的假设无缝地合并到模型中。一些潜在的应用包括不完全依从性随机试验中的剂量反应估计，社会计划的评估，需求模型中的福利估计和连续选择模型。作为一个示范，该方法提供了翔实的非参数范围内的家庭支出的假设下，支出是连续的。数学上的贡献是一种近似求解无限维线性规划路径空间通过采样。
2020-06-29 econ.EM math.ST stat.TH
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
Estimation of Heterogeneous Treatment Effects Using a Conditional Moment Based Approach
本文针对含内生处理的部分线性模型，提出融合 Robinson 变换、SMD 与 Neyman 正交 FOC 的异质性处理效应估计量，并通过模拟和 Oregon 实验验证其优于传统 GMM。
2024-10-03 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
A Sensitivity Analysis of the Surrogate Index Approach for Estimating Long-Term Treatment Effects
University of Washington（华盛顿大学）；Amazon（亚马逊）；Institute for Advanced Economic Research, Dongbei University of Finance and Economics（东北财经大学高级经济研究院）
本文提出加权替代指数方法，用于估计长期治疗效应，并通过敏感性分析和实证研究验证其有效性。
2026-02-28 econ.EM
Treatment Effects with Targeting Instruments
Columbia University（哥伦比亚大学）；Institute for Fiscal Studies（财政研究所）；FGV EPGE（巴西经企基金会经济政策研究所）
本文探讨了通过离散值仪器控制选择偏差的方法，分析了复合合规组的治疗效果识别问题，并通过Head Start研究展示了正向选择假设的识别力量。
2026-01-26 econ.EM stat.ME
Orthogonal Policy Learning Under Ambiguity
本文研究了当处理效应部分确定时，估计个体化处理规则的问题，因为它通常是观察数据的情况。通过绘制治疗分配问题和经典决策理论之间的联系，我们描述了几个概念的最佳治疗策略存在的部分识别。我们的统一框架允许将用户定义的限制，如限制的透明度或可解释性的一组允许的政策，同时也确保计算的可行性。我们展示了如何部分识别导致一个新的政策学习问题的目标函数是定向-但不完全-可微的滋扰第一阶段。然后，我们提出了一个估计过程，确保奈曼正交的滋扰组件，我们提供的统计保证，取决于浓度的量在数据生成过程中的不可微点周围。所提出的方法说明使用的数据从工作伙伴关系培训法的研究。
2022-12-30 econ.EM
Difference-in-Differences with Sample Selection
Department of Econometrics and Business Statistics, Monash University（莫纳什大学计量经济学与商业统计系）；IZA, Germany（德国IZA研究所）
本文研究了在存在内生样本选择的情况下，差分法中平均处理效应的识别问题，并通过实证案例展示了该方法的应用价值。
2026-02-16 econ.EM
Shrinkage-Based Regressions with Many Related Treatments
本文提出一种基于定制岭回归的计算轻量方法，在异质与同质模型间平滑过渡，以降低多个相关子处理效应估计的均方误差，并支持聚合效应重构，已在Wayfair实现精准决策应用。
2025-07-01 econ.EM stat.ME stat.ML
Treatment Choice, Mean Square Regret and Partial Identification
针对二元治疗选择中福利仅部分识别的问题，本研究以均方遗憾为准则开展有限样本分析，发现最优规则为分数形式，最优治疗比例由t统计量的logistic变换乘以约束优化因子得到，识别集越宽比例越接近0.5，决策者越谨慎。
2023-10-10 econ.EM stat.ME
Does Regression Produce Representative Causal Rankings?
本文探讨线性回归及部分线性模型在异质性处理效应下，重叠加权可能导致加权平均处理效应排序与平均处理效应排序不一致，即排序反转，并给出其充分必要条件及模拟验证。
2024-11-04 econ.EM stat.ME
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
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
