Identifying Effects of Multivalued Treatments
多值处理效应的识别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：摘要直接讨论多值处理模型中的处理效应识别，并以阈值分配和连续工具变量作为识别依据。
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
多值处理效应的识别
- 研究问题
- 在允许多维不可观测异质性的多值处理模型中，能否放宽有序选择或无序单调性限制，并识别处理效应？
- 方法与思路
- 作者将处理分配表述为阈值跨越规则的可测函数，并利用足够多的连续工具变量建立更一般模型中的识别结果。
- 材料陈述的贡献
- 摘要称其识别框架容许多维不可观测异质性，超出既有受限模型类别，并通过若干模型类别展示方法的适用性。
- 阅读关注点
- 应核对可识别的处理效应对象、阈值规则的结构、工具变量数量与支持要求，以及各例子如何满足核心假设。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列完整工具变量条件，也未明确所有效应是否均可识别。
原文摘要
Multivalued treatment models have typically been studied under restrictive assumptions: ordered choice, and more recently unordered monotonicity. We show how treatment effects can be identified in a more general class of models that allows for multidimensional unobserved heterogeneity. Our results rely on two main assumptions: treatment assignment must be a measurable function of threshold-crossing rules, and enough continuous instruments must be available. We illustrate our approach for several classes of models.