Estimating Heterogeneous Treatment Effects with Item-Level Outcome Data: Insights from Item Response Theory
利用题目级结果估计异质性处理效应：项目反应理论的启示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：摘要明确研究随机试验中的异质性处理效应、处理与协变量交互及因果效应推广。
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…
利用题目级结果估计异质性处理效应：项目反应理论的启示
- 研究问题
- 当结果是由测验题目测量的潜在变量时，忽略题目层面的处理效应异质性，会如何影响标准误、交互效应识别及效应推广？
- 方法与思路
- 作者采用为各题目估计处理效应的项目反应理论模型，阐述题目级异质性的理论依据，并在多个随机试验数据集中展示应用价值。
- 材料陈述的贡献
- 摘要称，该模型揭示总分掩盖的题目差异，改善部分情形的标准误解释，处理交互效应识别问题，并估计测量误差校正后的效应量。
- 阅读关注点
- 应核对潜变量尺度和题目效应参数化、交互效应识别的具体问题，以及向未测试题目推广和校正测量误差所依赖的条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未给出完整识别假设及结果分布，不能认定所有测验情形均获得改进。
原文摘要
Analyses of heterogeneous treatment effects (HTE) are common in applied causal inference research. However, when outcomes are latent variables assessed via psychometric instruments such as educational tests, standard methods ignore the potential HTE that may exist among the individual items of the outcome measure. Failing to account for "item-level" HTE (IL-HTE) can lead to both underestimated standard errors and identification challenges in the estimation of treatment-by-covariate interaction effects. We demonstrate how Item Response Theory (IRT) models that estimate a treatment effect for each assessment item can both address these challenges and provide new insights into HTE generally. This study articulates the theoretical rationale for the IL-HTE model and demonstrates its practical value using 75 datasets from 48 randomized controlled trials containing 5.8 million item responses in economics, education, and health research. Our results show that the IL-HTE model reveals item-level variation masked by single-number scores, provides more meaningful standard errors in many settings, allows for estimates of the generalizability of causal effects to untested items, resolves identification problems in the estimation of interaction effects, and provides estimates of standardized treatment effect sizes corrected for attenuation due to measurement error.