Identifying treatment effects in the presence of confounded types
存在混杂类型时的处理效应识别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究内生处理的因果效应识别及服从者潜在结果分布。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
存在混杂类型时的处理效应识别
- 研究问题
- 当不可观测工具因关联第一阶段未观测异质性而失效时，工具的代理变量能否帮助识别服从者的处理效应和潜在结果分布？
- 方法与思路
- 作者利用处理与工具分组下结果分布的混合结构，以代理变量辅助部分识别，将识别集写成条件矩不等式并提出推断程序。
- 材料陈述的贡献
- 摘要称，该方法部分识别服从者的局部平均效应及潜在结果分布；加入某些尾部限制后，潜在结果分布可实现点识别。
- 阅读关注点
- 应核对代理变量与潜在工具的关系、混合分布限制及尾部条件，并检查大学距离代理低就学成本的经验论证。
- 阅读边界
- 出版社摘要未列明代理有效性和尾部限制的完整条件；所报大学工资效应属于该应用，不能据此确认代理假设或推广结果。
原文摘要
In this paper, I consider identification of treatment effects when the treatment is endogenous. The use of instrumental variables is a popular solution to deal with endogeneity, but this may give misleading answers when the instrument is invalid. I show that when an (unobserved) instrument is invalid due to correlation with the first stage unobserved heterogeneity, a proxy for the instrument helps partially identify not only the local average treatment effect, but also the entire potential outcomes distributions for compliers. I exploit the fact that the distribution of the observed outcome in each group defined by the treatment and the instrument is a mixture of the distributions of interest. I write the identified set in the form of conditional moment inequalities, and provide an easily implementable inference procedure. Under some tail restrictions, the potential outcomes distributions are point-identified for compliers. Finally, I illustrate my methodology on data from the National Longitudinal Survey of Young Men to estimate returns to college using college proximity as a proxy for the instrument low college cost. I find that a college degree increases the average hourly wage of the compliers by 15%–30%.