Endogenous Selection and Spillovers: Bayesian Inference for Policy-Relevant Causal Effects
内生选择与溢出：政策相关因果效应的贝叶斯推断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：摘要明确研究网络溢出下的政策因果效应，并用 Roy 模型联合刻画内生选择与潜在结果。
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
内生选择与溢出：政策相关因果效应的贝叶斯推断
- 研究问题
- 在单个大型网络或空间环境中，处理参与存在内生选择且邻居处理产生溢出时，如何识别并估计政策调整的因果效应？
- 方法与思路
- 作者提出 Spillover Roy 模型，以低维邻居暴露映射联合建模选择与潜在结果，并用参数扩展的数据增广开展贝叶斯推断。
- 材料陈述的贡献
- 摘要称总政策效应可分解为参与变化带来的直接效应与暴露变化带来的溢出效应，并报告机会区应用及扩张政策反事实。
- 阅读关注点
- 应核对内生选择的识别依据、暴露映射的充分性、可行政策的定义，以及先验和网络依赖如何影响后验与反事实结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体识别条件，应用结论的稳健性与外推范围仍需核对。
原文摘要
This paper develops a new econometric framework to identify and estimate policy-relevant causal effects in contexts with endogenous selection into treatment and spillovers within single large networks or spatial settings. Conventional causal inference methods relying on either unconfoundedness or no-interference assumptions are generally inadequate in these scenarios. We introduce a Spillover Roy model that jointly models endogenous treatment selection and potential outcomes while allowing spillovers through a low-dimensional exposure mapping of neighbors' treatments. The model captures heterogeneous treatment responses across levels of latent resistance to treatment and neighborhood exposure. Within this framework, we define policy-relevant direct, spillover, and total effects under feasible policy changes and show that the total effect decomposes into a direct component from policy-induced participation and a spillover component from policy-induced changes in neighborhood treatment exposure. For estimation and inference, we develop a Bayesian data-augmentation algorithm with parameter expansion that enables efficient posterior computation and coherent uncertainty quantification for heterogeneous causal effects and policy counterfactuals. An application to the U.S. Opportunity Zones program finds positive direct effects on housing development but limited spillover benefits, while counterfactual policy analysis reveals diminishing returns from program expansion.