Bounded, Efficient and Multiply Robust Estimation of Average Treatment Effects Using Instrumental Variables
利用工具变量进行有界、高效且多重稳健的平均处理效应估计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：摘要明确研究未测量混杂下利用工具变量识别和估计平均处理效应。
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
利用工具变量进行有界、高效且多重稳健的平均处理效应估计
- 研究问题
- 当存在未测量混杂且标准工具变量模型只能部分识别平均处理效应时，如何增加识别条件并构造稳健估计量？
- 方法与思路
- 作者将新增识别假设与估计所需的观测数据模型分开，构造对应三类模型及其并集的一致估计量，并处理二元结局的界限。
- 材料陈述的贡献
- 摘要称，提出平均处理效应的识别假设及多重稳健估计量，并使二元结局估计落在负一至一之间，以模拟和教育收益分析说明。
- 阅读关注点
- 应核对新增识别假设的实质、三类数据模型及其并集的含义、有界化的构造，以及题名所称效率对应的条件与结论。
- 阅读边界
- 仅据 Crossref 摘要，未说明新增识别假设和三类模型的具体内容；多重稳健性不保证工具变量有效，也不能据摘要确认效率结论。
原文摘要
Summary Instrumental variables are widely used for estimating causal effects in the presence of unmeasured confounding. Under the standard instrumental variable model, however, the average treatment effect is only partially identifiable. To address this, we propose novel assumptions that enable identification of the average treatment effect. Our identification assumptions are clearly separated from model assumptions that are needed for estimation, so researchers are not required to commit to a specific observed data model in establishing identification. We then construct multiple estimators that are consistent under three different observed data models, and multiply robust estimators that are consistent in the union of these observed data models. We pay special attention to the case of binary outcomes, for which we obtain bounded estimators of the average treatment effect that are guaranteed to lie between −1 and 1. Our approaches are illustrated with simulations and a data analysis evaluating the causal effect of education on earnings.