Contamination Bias in Linear Regressions
线性回归中的污染偏差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：摘要直接分析多处理回归对异质因果效应的加权及相互污染。
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…
线性回归中的污染偏差
- 研究问题
- 多种处理共同进入回归且控制变量已足以消除遗漏变量偏差时，为何各处理系数仍可能混入其他处理的异质效应？
- 方法与思路
- 作者分解多处理回归系数中的效应权重，分析非凸加权污染，讨论三类规避方法，并重新分析九项实证应用。
- 材料陈述的贡献
- 摘要称各处理系数通常并非自身异质效应的凸平均；重新分析发现观察研究存在有意义的污染，实验研究中的污染相对有限。
- 阅读关注点
- 应核对污染偏差与遗漏变量偏差的区别、各效应权重的来源，以及三类替代方法如何改变目标效应及其估计难度。
- 阅读边界
- 这是预印本，不能认定已同行评审或期刊接收；摘要未说明三类方法的完整条件及应用数值，实验中的较小污染也非普遍保证。
原文摘要
We study regressions with multiple treatments and a set of controls that is flexible enough to purge omitted variable bias. We show that these regressions generally fail to estimate convex averages of heterogeneous treatment effects -- instead, estimates of each treatment's effect are contaminated by non-convex averages of the effects of other treatments. We discuss three estimation approaches that avoid such contamination bias, including the targeting of easiest-to-estimate weighted average effects. A re-analysis of nine empirical applications finds economically and statistically meaningful contamination bias in observational studies; contamination bias in experimental studies is more limited due to smaller variability in propensity scores.