A Locally Robust Semiparametric Approach to Examiner IV Designs
审查员工具变量设计的局部稳健半参数方法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：摘要围绕审查员工具变量设计中的因果效应、正交估计和稳健推断，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
审查员工具变量设计的局部稳健半参数方法
- 研究问题
- 审查员工具变量设计需要控制大量或连续协变量、导致饱和调整不可行或分组稀疏时，如何稳健估计因果效应并推断？
- 方法与思路
- 作者构造正交矩，消除定义审查员工具变量的两个治疗回归估计误差的一阶影响，并通过对应的里斯表示元修正支持灵活估计。
- 材料陈述的贡献
- 摘要称，对每个治疗回归，只要该回归或对应里斯表示元正确设定，矩仍有效；适当条件下可获得根号样本量一致性及有效推断。
- 阅读关注点
- 应核对审查员分配与工具变量的识别条件、两个回归分别对应的稳健性要求，以及机器学习误差率和渐近推断条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收；摘要未列出具体正则条件，正交修正并不自动保障工具变量的因果有效性。
原文摘要
I propose a locally robust semiparametric framework for estimating causal effects using examiner IV designs when adjustment for many or continuous covariates makes saturation infeasible or produces sparse cells. The key ingredient of this approach is an orthogonal moment function that removes the first-order effect of estimation errors in the two treatment regressions defining the examiner IV. I derive the orthogonal moment function and show that it remains valid under misspecification when, for each treatment regression, either that regression or the corresponding Riesz representer in the influence function adjustment is correctly specified. The proposed framework not only allows estimation of the examiner IV using a wide range of nonparametric and machine learning techniques, including LASSO, neural networks and random forests, but also delivers root-$n$ consistent estimation and valid inference under suitable regularity conditions. I examine the finite-sample performance of the estimator through Monte Carlo simulations. I also apply the method to US patent examiners, using regularized regressions to account for differences in technology and other application characteristics.