Heterogeneity Analysis with Heterogeneous Treatments
异质处理下的效应异质性分析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：摘要明确研究处理效应异质性、不同处理分配倾向和政策评估中的差异分解，直接对应因果推断。
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…
关注这篇论文的作者
异质处理下的效应异质性分析
- 研究问题
- 当一个总体处理包含多个不同项目时，群体间观察到的收益差异究竟来自相同处理的效果不同，还是接受的处理构成不同？
- 方法与思路
- 作者提出分解框架，区分效应异质性和处理异质性的不同贡献，并构造适应多种离散或连续处理及有限重叠的去偏机器学习估计器。
- 材料陈述的贡献
- 摘要称劳动力市场培训回报的性别差距几乎全由男女接受不同培训驱动，尤其与女性更多进入无条件回报较低的职业培训有关。
- 阅读关注点
- 应核对分解项的定义与识别依据、有限重叠下目标量如何确定，以及性别差距解释对处理划分和估计误差是否稳健。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明识别假设和估计条件，应用解释不能直接推广至其他政策。
原文摘要
Analysis of effect heterogeneity at the group level is standard practice in empirical treatment evaluation. However, treatments analyzed are often aggregates of multiple underlying treatments which are themselves heterogeneous, e.g. different modules of training programs. In these settings, conventional approaches such as comparing (adjusted) differences-in-means across groups can produce misleading conclusions when underlying treatment propensities differ systematically between groups. This paper develops a novel decomposition framework that disentangles contributions of effect heterogeneity and distinct components of treatment heterogeneity to observed group-level differences. We propose debiased machine learning estimators that adapt to many discrete and/or continuous treatments and limited overlap. We revisit a widely documented gender gap in training returns of an active labor market policy. The decomposition reveals that it is almost entirely driven by women being treated differently rather than different returns from identical treatments. In particular, women are disproportionately targeted towards vocational training tracks with lower unconditional returns.