Sharp Bounds and Inference in Sample Selection Models with Treatment Endogeneity
处理内生性下样本选择模型的锐界与推断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：摘要研究不遵从与非随机样本选择下处理效应的部分识别和因果推断。
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
处理内生性下样本选择模型的锐界与推断
- 研究问题
- 当结果仅在非随机选择的子样本中可见，且不遵从分配导致处理内生时，如何界定依从者集约边际处理效应？
- 方法与思路
- 作者在非参数选择模型和弱样本选择单调性下推导锐界，并构建半参数有效正交矩及去偏机器学习推断程序。
- 材料陈述的贡献
- 摘要称所得界限更紧，并支持高维协变量或灵活函数形式下的根号样本量推断；两项政策试验应用显示区间收紧。
- 阅读关注点
- 应核对依从者集约边际效应的目标人群、选择单调性与分配识别条件，以及锐界证明和端点推断的正则性要求。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收；摘要未列出完整识别与收敛条件，区间收紧幅度也未给出。
原文摘要
This paper provides partial identification and inference for treatment effects in nonparametric sample selection models with endogenous treatment and (weak) sample selection monotonicity. Outcomes are observed only for a non-randomly selected subsample and treatment is endogenous because of noncompliance with assignment. The proposed bounds for intensive margin treatment effects among compliers are sharp and tighter than those of Chen and Flores (2015). For inference, we develop semiparametrically efficient orthogonal moments and a debiased machine learning procedure that permits valid root-$n$ inference under high-dimensional covariates and/or flexible functional forms. Simulation results indicate good finite sample performance. Applications to Job Corps and the Oregon Health Insurance Experiment show that the method can deliver substantially tighter effect bounds and confidence intervals than existing alternatives.