A Simple Measure of Robustness for External Validity under Covariate Shifts
协变量漂移下外部有效性的简单稳健性度量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：摘要聚焦政策效应估计的外部有效性与协变量漂移下的稳健性，属于因果推断方向。
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
协变量漂移下外部有效性的简单稳健性度量
- 研究问题
- 摘要称，本文研究估计的政策效应在协变量分布发生变化时是否稳健，因为这种变化是（准）实验结果外部有效性的关键决定因素。
- 方法与思路
- 作者提出一个稳健性度量 δ*，表示使某项政策效应经验结论（如 ATE>0）失效所需的最小协变量漂移；并用去偏 GMM 估计 δ*，在允许 LASSO、随机森林、神经网络等机器学习方法估计处理效应异质性的同时达到参数收敛速率。
- 材料陈述的贡献
- 摘要称，作者提出 δ* 这一新度量，并开发基准化与校准练习以解释其大小，还以俄勒冈健康保险实验为应用示例；建议研究者将 δ* 与点估计、标准误并列报告，作为衡量协变量漂移下外部有效性的第三个数字。
- 阅读关注点
- 应核对 δ* 的精确定义与识别假设、去偏 GMM 的矩条件与收敛速率条件、机器学习估计异质性时的正则化与偏差处理、基准化与校准的具体构造，以及俄勒冈应用中的变量与结论。
- 阅读边界
- 仅凭摘要无法判断 δ* 的有限样本表现、对具体机器学习估计器的敏感性、校准练习的解释力，也无法验证俄勒冈应用的实际结果与结论稳健程度。
原文摘要
This paper studies the robustness of estimated policy effects to changes in the distribution of covariates, a key determinant of the external validity of (quasi)experimental results. I propose a novel robustness metric δ ∗ which measures the smallest covariate shift needed to invalidate an empirical claim about the policy effect (e.g., AT E > 0). I estimate δ ∗ via de-biased GMM, achieving a parametric rate of convergence while accommodating machine-learning estimators of treatment-effect heterogeneity (e.g., LASSO, random forests, neural networks). I develop benchmarking and calibration exercises to interpret the magnitude of δ ∗ . I illustrate these tools in an application to the Oregon Health Insurance Experiment. Researchers can report δ ∗ alongside point estimates and standard errors as a third number gauging external validity under covariate shifts.