The finite sample performance of instrumental variable-based estimators of the Local Average Treatment Effect when controlling for covariates
控制协变量时工具变量局部平均处理效应估计量的有限样本表现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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确比较工具变量局部平均处理效应估计量，并考察协变量调整下的因果效应推断。
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…
控制协变量时工具变量局部平均处理效应估计量的有限样本表现
- 研究问题
- 在控制固定协变量集合时，参数、半参数和非参数工具变量估计方法对局部平均处理效应的偏差、精度与区间覆盖有何差异？
- 方法与思路
- 作者以美国劳动力市场数据为基础设计模拟，改变效应异质性、工具选择性与强度、结局分布和样本量，比较多类估计方法。
- 材料陈述的贡献
- 摘要称随机森林的覆盖与精度具有竞争力且平均绝对偏差最低，核回归的平均均方根误差最小，但部分方法的区间较不精确。
- 阅读关注点
- 应核对局部平均处理效应的定义与工具变量条件、模拟参数和汇总方式，以及调参、bootstrap 区间与不同方法的适用范围。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；比较结论仅限所考察估计量和模拟设计，摘要未给出数值差距。
原文摘要
This paper investigates the finite sample performance of a range of parametric, semi-parametric, and non-parametric instrumental variable estimators when controlling for a fixed set of covariates to evaluate the local average treatment effect. Our simulation designs are based on empirical labor market data from the US and vary in several dimensions, including effect heterogeneity, instrument selectivity, instrument strength, outcome distribution, and sample size. Among the estimators and simulations considered, non-parametric estimation based on the random forest (a machine learner controlling for covariates in a data-driven way) performs competitive in terms of the average coverage rates of the (bootstrap-based) 95% confidence intervals, while also being relatively precise. Non-parametric kernel regression as well as certain versions of semi-parametric radius matching on the propensity score, pair matching on the covariates, and inverse probability weighting also have a decent coverage, but are less precise than the random forest-based method. In terms of the average root mean squared error of LATE estimation, kernel regression performs best, closely followed by the random forest method, which has the lowest average absolute bias.