Nonparametric treatment effect identification in school choice
学校选择中的非参数处理效应识别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。
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：摘要明确围绕学校分配中的抽签、回归不连续变异和条件平均处理效应展开，直接属于因果推断。
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
学校选择中的非参数处理效应识别
- 研究问题
- 集中式学校分配同时产生抽签与回归不连续变异时，哪些学校间条件平均处理效应能够识别，聚合又会遗漏什么？
- 方法与思路
- 作者刻画给定学生特征的学校对之间原子处理效应识别集合，分析聚合权重，并提出诊断、新聚合方案与推断方法。
- 材料陈述的贡献
- 摘要称，常见聚合可能对 RD 驱动效应赋零权重，其估计权重也可能渐近消失；新方案用于揭示被掩盖的异质性。
- 阅读关注点
- 应核对分配算法如何产生两类识别变异、原子效应的条件对象，以及新旧聚合权重对应的目标人群和渐近推断。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，适用算法、识别条件及新权重公式未说明，不能认定所有既有聚合都会遗漏 RD 效应。
原文摘要
This paper studies nonparametric identification and estimation of causal effects in centralized school assignment. In many centralized assignment algorithms, students face both lottery-driven variation and regression discontinuity- (RD) driven variation. We characterize the full set of identified atomic treatment effects (aTEs), defined as the conditional average treatment effect between a pair of schools given student characteristics. Atomic treatment effects are the building blocks of more aggregated treatment contrasts, and common approaches to estimating aTE aggregations can mask important heterogeneity. In particular, many aggregations of aTEs put zero weight on aTEs driven by RD variation, and estimators of such aggregations put asymptotically vanishing weight on the RD-driven aTEs. We provide a diagnostic and recommend new aggregation schemes. Lastly, we provide estimators and asymptotic results for inference on these aggregations.