Efficient and Robust Estimation of the Generalized LATE Model
广义局部平均处理效应模型的有效稳健估计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：摘要明确研究多值处理的局部因果参数、DML 估计及弱识别推断，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
广义局部平均处理效应模型的有效稳健估计
- 研究问题
- 在处理取值多于两类的广义局部平均处理效应模型中，如何有效估计局部因果参数，并应对高维干扰参数及弱识别问题？
- 方法与思路
- 作者推导两类局部平均结构函数的有效影响函数与半参数效率界，构造双重稳健、正交矩条件，并提出 DML 估计和受原假设约束的推断。
- 材料陈述的贡献
- 摘要称，论文给出两类因果参数的效率理论，提出局部平均结构函数的高维 DML 估计及弱识别稳健推断，并应用于健康保险类型比较。
- 阅读关注点
- 应核对多值处理下局部人群与参数的定义、识别限制、两种稳健性质各自覆盖的模型，以及弱识别推断的构造和有效范围。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；具体识别假设、机器学习收敛条件与应用结果未说明，不能自行补全理论条件或推断后续刊本变化。
原文摘要
This article studies the estimation of causal parameters in the generalized local average treatment effect (GLATE) model, which expands upon the traditional LATE model to include multivalued treatments. We derive the efficient influence function (EIF) and the semiparametric efficiency bound (SPEB) for two types of causal parameters: the local average structural function (LASF) and the local average structural function for the treated (LASFT). The moment conditions generated by the EIF satisfy two robustness properties: double robustness and Neyman orthogonality. Based on the robust moment conditions, we propose the double/debiased machine learning (DML) estimator for estimating the LASF. The DML estimator is well-suited for high dimensional settings. We also propose null-restricted inference methods that are robust against weak identification issues. As an empirical application of these methods, we examine the potential health outcome across different types of health insurance plans using data from the Oregon Health Insurance Experiment.