Identification and Auto-Debiased Machine Learning for Outcome-Conditioned Average Structural Derivatives
结果条件平均结构导数的识别与自动去偏机器学习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：摘要明确研究连续处理的异质性因果效应，并按结果分布区段定义目标量。
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
结果条件平均结构导数的识别与自动去偏机器学习
- 研究问题
- 研究如何衡量连续处理的边际变化对结果分布不同区段人群的平均影响，并对这一异质性因果量进行有效推断。
- 方法与思路
- 作者在一般非可分模型中定义结果条件平均结构导数，利用其与无条件分位数偏效应的积分关系构造自动去偏估计。
- 材料陈述的贡献
- 摘要称该估计具有渐近正态性和半参数效率，并给出过程的一致 bootstrap 推断；方法应用于彩票数据。
- 阅读关注点
- 应核对结果区段条件化的因果解释、识别与机器学习误差条件，并确认摘要中 n-estimable 等速率符号的准确含义。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法确认识别条件及速率符号是否完整，也不能推断后续刊本变化。
原文摘要
This study proposes a new class of heterogeneous causal quantities, referred to as outcome-conditioned average structural derivatives (OASDs), in a general nonseparable model. An OASD is the average partial effect of a marginal change in a continuous treatment on individuals located on different parts of an outcome distribution, irrespective of individuals’ characteristics. We show that OASDs extend the unconditional quantile partial effects (UQPE) proposed by Firpo, Fortin, and Lemieux to that conditional on a set of outcome values by effectively integrating the UQPE. Exploiting such relationship brings about two merits. First, unlike UQPE that is generally not n-estimable, OASD is shown to be n-estimable. Second, our estimator achieves semiparametric efficiency bound which is a new result in the literature. We propose a novel, automatic, debiased machine-learning estimator for an OASD, and present asymptotic statistical guarantees for it. The estimator is proven to be n-consistent, asymptotically normal, and semi-parametrically efficient. We also prove the validity of the bootstrap procedure for uniform inference for the OASD process. We apply the method to Imbens, Rubin, and Sacerdote’s lottery data.