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
Treatment Effects of Multi-Valued Treatments in Hyper-Rectangle Model
本研究拓展超矩形模型,通过引入排序处理假设在更宽条件下识别多值处理的边际处理响应,可推导各类处理效应,并提出政策效果检验方法以服务实证政策分析。
2025-09-05 econ.EM
Was Javert right to be suspicious? Marginal Treatment Effects with Duration Outcomes
Universidad ORT Uruguay(乌拉圭ORT大学);Sao Paulo School of Economics - FGV(巴西圣保罗经济管理学院-FGV);Emory University(埃默里大学)
本文研究了右删失结果下的边际处理效应分布,提出半参数估计方法,通过巴西替代刑罚对再犯罪率的影响评估,揭示了处理效应异质性。
2026-06-17 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
Marginal treatment effects in the absence of instrumental variables
Center for Quantitative Economic Research, Zhejiang University of Finance & Economics(浙江财经大学数量经济研究中心);School of Economics, Zhejiang University of Finance & Economics(浙江财经大学经济学院);School of Economics, Zhejiang University(浙江大学经济学院);School of Economics, Shanghai University of Finance & Economics(上海财经大学经济学院)
本文提出一种无需工具变量假设的方法,用于估计无工具变量情况下边际处理效应,并通过实证应用展示其在分析异质因果效应中的有效性。
2026-02-27 econ.EM
Estimating Marginal Treatment Effects under Unobserved Group Heterogeneity
研究了基于异质性处理规则将个体划分为不可观测组的处理效应模型。使用有限混合的方法,我们提出了一个边际处理效应(MTE)的框架,其中的治疗选择和结果方程可以是异质组。在特定于每个组的工具变量的可用性下,我们表明,每个组的MTE可以单独识别。基于我们的识别结果,我们提出了一个两步半参数估计的MTE组。我们说明了所提出的方法的实用性与应用程序的经济回报,大学教育。
2022-05-23 econ.EM stat.ME
Risk-Averse Welfare Maximization via Marginal Treatment Effects
Grinnell College(格林内尔学院);Indiana University Bloomington(印第安纳大学布卢明顿分校)
本文提出一个结合边际处理效应与相干风险度量的框架,用于风险规避的福利最大化处理分配,并证明其最优规则及有限样本保证,应用于大学录取政策显示风险规避带来显著变化。
2026-09-28 econ.EM
Identification in Multiple Treatment Models under Discrete Variation
Queen Mary University of London(伦敦大学皇家玛丽学院);University of British Columbia(不列颠哥伦比亚大学);Brown University(布朗大学)
本文提出了一种基于边际治疗效应的方法,用于在多重治疗模型中识别因果效应,通过允许有限维参数下的点识别,改进了对Head Start计划的分析结果的稳健性。
2026-01-20 econ.EM
Multicell experiments for marginal treatment effect estimation of digital ads
针对数字广告中单侧不依从的随机实验,提出多单元实验设计与现代估计技术结合的方法,以估计集约边际处理效应,无需额外预算,并在模拟中优于直接优化方法。
2025-04-23 econ.EM
Treatment Effect Models with Strategic Interaction in Treatment Decisions
本研究考虑了处理效应模型,在该模型中,其他人的治疗决定可以影响自己的治疗和结果。针对两个博弈者交互的情形,我们将治疗决策行为描述为一个具有多重均衡的完全信息博弈。使用一个潜在的指标框架,并假设一个随机均衡选择,我们证明了边际处理效应从自己的治疗和从合作伙伴是可识别的条件支持的某些阈值变量确定通过博弈模型。基于我们的建设性的识别结果,我们提出了一个两步半参数估计的边际处理效应使用系列近似的过程。我们证明了所提出的估计是一致相合和渐近正态分布的。作为一个实证研究,我们调查了危险行为对青少年学业成绩的影响。
2023-02-22 econ.EM
Optimal selection of the number of control units in kNN algorithm to estimate average treatment effects
我们提出了一种简单的方法来优化选择控制单元的数量在k近邻(kNN)算法集中在最小化的均方误差的平均处理效应。我们的方法是非参数的,其中处理效应的置信区间是使用具有偏倚校正的渐近结果计算的。仿真实验表明,该方法得到了相对较小的均方误差,并在置信区间长度和I类误差之间取得了平衡。我们分析了参与401(k)计划对累计净金融资产的平均处理效应,证实了对净资产金额和正概率的显著影响。与使用k=1的常见做法相比,我们的最佳k选择产生显著更窄的ATET置信区间。
2020-08-14 econ.EM
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
Treatment effects at the margin: Everyone is marginal
针对政策同时影响参与选择与结果、且处理决定观测对象的内生选择问题,论文提出边际性加权估计量,以识别政策诱导进入者的因果效应。
2025-08-29 econ.EM 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
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
Unobserved Heterogeneous Spillover Effects in Instrumental Variable Models
Department of Economics, University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校经济学系)
本文提出了一种考虑异质性溢出效应的工具变量模型,通过扩展局部平均处理效应框架,建立了非参数点识别条件,并利用Add Health数据展示了教育溢出的异质性。
2025-11-27 econ.EM
Inference for Nonlinear Endogenous Treatment Effects Accounting for High-Dimensional Covariate Complexity
针对含高维协变量的非线性内生处理效应,本文提出结合控制函数与双重偏差校正的非参数推断方法,并构建边际效应函数置信带。
2024-06-18 econ.EM
Conformalized Lee Inference: Distribution-Free Prediction Sets for Individual Treatment Effect under Monotone Sample Selection
Graduate School of Economics, University of Tokyo(东京大学大学院经济学研究科)
研究单侧选择随机研究中的预测问题,提出共形化李程序,利用处理后的选定观测值训练和检验预测规则,通过观测到的处理-对照选择差距调整临界值,提供可靠覆盖率。
2026-09-17 econ.EM
Inference for the Marginal Value of Public Funds
UC San Diego(加州大学圣地亚哥分校)
针对微观数据缺失、相关结构未知导致 MVPF 等因果效应函数难以推断的问题,本文提出最坏情形置信区间、实验设计收紧与崩溃分析方法,并以八项政策验证。
2025-10-03 econ.EM
(Visualizing) Plausible Treatment Effect Paths
针对政策处理效应路径的估计与可视化难题,提出两类比传统置信带更紧致的合理界,分别聚焦平均效应与数据驱动平滑约束,借助选择后推断提供覆盖保证,还得到表现优异的新点估计量。
2025-05-17 econ.EM stat.ME
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
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
A generalized bootstrap procedure of the standard error and confidence interval estimation for inverse probability of treatment weighting
在倾向得分分析中,通常使用治疗加权逆概率(IPTW)方法来推断回归模型中的因果效应。由于过大的IPTW权重和与倾向得分估计相关的误差,IPTW方法可能低估因果效应的标准误误差。为了弥补这一点,引导标准误差已被推荐来取代IPTW标准误,但普通的引导(OB)程序仍然可能会导致低估的标准误,因为它的效率低下的抽样算法和不稳定的权重。在本文中,我们开发了一个广义自助(GB)的程序估计的标准误的IPTW方法。与OB方法相比,GB方法低估标准误的风险要低得多,并且对于点估计和标准误估计都更有效。GB程序也有较小的标准误低估的风险比普通的Bootstrap程序与修剪的权重,具有可比的效率。我们通过模拟研究和国家教育纵向研究-1988(NELS-88)的数据集证明了GB程序的有效性。
2021-09-01 econ.EM stat.AP stat.ME
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
Heterogeneous Treatment Effect Bounds under Sample Selection with an Application to the Effects of Social Media on Political Polarization
提出一种基于去偏/双重机器学习的异质性因果效应界限估计与推断方法,在无排除性限制的一般样本选择模型中提供条件效应界限,应用于Facebook实验数据后获得了更紧的效应界限并揭示了年轻用户的去极化效应。
2024-07-26 econ.EM stat.ML
Nonparametric Point Identification of Treatment Effect Distributions via Rank Stickiness
The University of Chicago(芝加哥大学)
本文提出非参数点识别治疗效应分布的方法,通过排名粘性参数实现,无需强假设,且能处理排名违反情况,推导出闭式条件矩和违反概率,扩展到观察性研究。
2026-04-23 econ.EM stat.ME
Bounds on the Distribution of a Sum of Two Random Variables: Revisiting a problem of Kolmogorov with application to Individual Treatment Effects
本文重新审视Kolmogorov关于两个随机变量之和分布界的问题,纠正了现有文献中的错误,并将其应用于个体处理效应的推断,强化了Fan和Park的结果。
2025-03-25 econ.EM math.PR math.ST
A General Approach to Relaxing Unconfoundedness
本文定义了一类放松无混杂性假设的一般方法,涵盖边际敏感性模型等特例,并为包括分位数处理效应和处理效应分布在内的大类参数提供了新的尖锐边界。
2025-01-26 econ.EM stat.ME
Identification in Endogenous Sequential Treatment Regimes
本文提出一种基于动态工具变量与动态边际处理效应的非参数识别方法,用于内生序贯处理机制下的处理效应识别,放松了支撑集与不可观测收益假设,并通过蒙特卡洛模拟验证了筛分估计量的有限样本性能。
2023-11-30 econ.EM stat.AP
Policy design in experiments with unknown interference
Harvard University(哈佛大学);Oregon State University(俄勒冈州立大学);Stanford University(斯坦福大学);University of Chicago(芝加哥大学)
本文研究了存在外溢效应的政策估计与推断实验设计。通过在集群对间变化随机化来估计治疗概率变化的边际效应,提出政策最优性检验,并设计多波实验估计福利最大化治疗规则。
2026-10-08 cs.LG econ.EM stat.ME
Quasi-Oracle Estimation of Heterogeneous Treatment Effects
对异质性处理效应的灵活估计是许多统计挑战的核心,例如个性化医疗和最佳资源分配。在本文中,我们开发了一个一般类的两步算法的异质性处理效应估计的观察性研究。我们首先估计边际效应和治疗倾向,以形成一个目标函数,隔离信号的因果分量。然后,我们优化这个数据自适应的目标函数。我们的方法比现有的方法有几个优点。从实用的角度来看,我们的方法灵活且易于用途:在这两个步骤中,我们可以使用任何损失最小化方法,例如,惩罚回归、深度神经网络或提升;此外,这些方法可以通过交叉验证进行微调。同时,在惩罚核回归的情况下,我们证明了我们的方法具有准预言属性:即使边缘效应和治疗倾向的试点估计不是特别准确,我们也可以实现与具有这两个滋扰组件的先验知识的预言者相同的误差界。我们实现了我们的方法的基础上惩罚回归,内核岭回归,并在各种模拟设置提升的变种,并找到有前途的性能相对于现有的基线。
2020-08-06 econ.EM math.ST stat.ML
Efficient Adaptive Experimental Design for Average Treatment Effect Estimation
The University of Tokyo(东京大学);Mizuho-DL Financial Technology Co., Ltd.(瑞穗数字金融科技有限公司);Tohoku University(东北大学);Kyoto University(京都大学);Yale University(耶鲁大学)
本文提出一种面向 ATE 估计的自适应实验设计,通过估计高效处理分配概率并结合 A2IPW 估计量达到半参数效率界,且支持任意时刻有效的置信区间与最优序贯检验。
2025-02-20 cs.LG econ.EM stat.ML
Inference on effect size after multiple hypothesis testing
University of Gothenburg(哥德堡大学);the University of Tokyo(东京大学);Nanyang Technological University(南洋理工大学)
本文提出在多重假设检验后对显著效应的效应量进行有效推断的新方法,通过选择性条件推断原理,修正传统估计的偏差并调整置信区间。
2025-12-09 econ.EM math.ST stat.TH
Robust Inference on Average Treatment Effects with Possibly More Covariates than Observations
本文关注模型选择后平均治疗效果的稳健推断。在可观测量选择框架下,我们给出了如何构造基于双稳健估计的置信区间,该估计对模型选择误差是稳健的,并证明了它们在一大类处理效应模型上是一致有效的.该类允许多值处理具有异质效应(在可观测量中),一般异方差性,以及在(可能)比观测值更多的协变量中进行选择。在适当的条件下,我们的估计达到了半参数有效界。精确的条件给出了任何模型选择器产生这些结果,我们展示了如何将数据驱动的选择与经济理论相结合。为了实现,我们给出了一个具体的建议,选择基于组套索,这是特别适合于治疗效果的数据,并得出新的结果,高维,稀疏多项式逻辑斯谛回归。仿真研究表明,我们的估计在有限样本在广泛的模型表现得很好。重新访问国家支持的工作示范数据,我们的方法产生准确的估计和紧置信区间。
2018-02-01 econ.EM math.ST stat.ME
Assessing Heterogeneity of Treatment Effects
本文利用边际分布推导异质性处理效应的非参数严格界限,并在平均效应不显著或理论预测相悖时,通过微观金融和福利改革案例展示其实用性。
2025-08-06 econ.EM stat.AP stat.ME
hdm: High-Dimensional Metrics
本文介绍了一个高维数据包\texttt{hdm}。它是一个用于估计和量化高维近似稀疏模型中不确定性的统计方法的集合。它的重点是提供置信区间和显着性测试(可能有很多)的高维参数向量的低维子组件。目标变量上回归系数的有效估计量和一致有效置信区间(例如,治疗或策略变量),用于平均处理效应(ATE)和被治疗者的平均处理效应(ATET),以及用于将这些参数扩展到内源设置。基于理论,数据驱动的方法选择惩罚参数下异方差和非高斯误差的Lasso回归。此外,联合/同时置信区间的回归系数的高维稀疏回归的实现。数据集已被用于文献中,可能是有用的课堂演示和测试新的估计。
2016-08-01 econ.EM stat.ME stat.ML