From LATE to ATE: A Bayesian approach
从局部平均处理效应到平均处理效应：贝叶斯方法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：摘要直接研究 MTE、LATE 到 ATE 的外推及处理效应不确定性，明确属于因果效应推断。
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
从局部平均处理效应到平均处理效应：贝叶斯方法
- 研究问题
- 如何从观测矩所支持的局部处理效应信息外推到总体平均处理效应，并区分矩估计误差与外推选择带来的不确定性？
- 方法与思路
- 作者建立边际处理效应函数的贝叶斯模型，用灵活假设从观测矩向未观测区域外推，并分解目标量的后验方差。
- 材料陈述的贡献
- 摘要称方法区分统计不确定性与外推不确定性；在作者偏好先验下，俄勒冈医保实验的 ATE 不确定性主要来自观测矩估计。
- 阅读关注点
- 应核对 MTE 与观测矩的联系、先验如何约束外推，以及后验方差分解的定义和结论对替代先验的敏感性。
- 阅读边界
- 仅据所给 OpenAlex 摘要；识别条件、先验细节及方差占比未说明，应用结论依赖作者偏好先验，不能视为一般规律。
原文摘要
We develop a Bayesian model that produces a posterior distribution of the marginal treatment effect (MTE) function. The method provides researchers with a principled way to extrapolate from the observed moments using flexible assumptions, thereby allowing researchers to generate plausible ranges of important and potentially policy-relevant quantities of interest. We then use the model to propose a natural decomposition of the posterior variance into “statistical uncertainty,” i.e., variance that stems from the imprecise estimation of the observed moments, and “extrapolation uncertainty,” i.e., variance that stems from uncertainty in how to extrapolate away from the observed moments. We conclude by showing that under our preferred priors, even in an experiment as large as the Oregon Health Insurance Experiment, the main source of uncertainty in the ATE comes from uncertainty in the true values of the observed moments.