Identifying Causal Effects in Information Provision Experiments
信息提供实验中的因果效应识别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。
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：摘要直接讨论信息实验中信念对结果的因果效应、估计权重与识别。
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
信息提供实验中的因果效应识别
- 研究问题
- 信息实验的标准估计器如何因信念更新幅度而隐含加权，怎样恢复更具代表性的、未按更新幅度加权的信念因果效应？
- 方法与思路
- 作者提出局部最小二乘估计器，在推广贝叶斯更新的学习速率模型类中恢复不加权平均效应，并重分析六项已发表研究。
- 材料陈述的贡献
- 摘要称，更新最多者的信念效应较弱，标准估计因此低估效应；重新分析中五项估计增大，其中两项超过原估计的两倍。
- 阅读关注点
- 应核对目标总体和平均效应定义、学习速率模型的识别限制、局部估计的带宽选择，以及重分析中的标准误和可比性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列完整识别条件，六项重分析不能证明所有信息实验都存在同类低估。
原文摘要
Standard estimators in information provision experiments place more weight on individuals who update their beliefs more in response to new information. This paper shows that, in practice, these individuals who update the most have the weakest causal effects of beliefs on outcomes. Standard estimators therefore understate these causal effects. I propose an alternative local least squares (LLS) estimator that recovers a representative unweighted average effect in a broad class of learning rate models that generalize Bayesian updating. I reanalyze six published studies. In five, estimates of the causal effects of beliefs on outcomes increase; in two, they more than double.