Non-separable models with high-dimensional data
高维数据下的非可分模型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平均、分位数和边际处理效应，直接对应因果推断及分位数与分布效应。
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
高维数据下的非可分模型
- 研究问题
- 当连续处理的控制变量维度很高、甚至超过有效样本量时，如何估计平均、分位数及边际处理效应并进行推断？
- 方法与思路
- 作者提出三步估计：局部L1惩罚估计条件均值、分布和密度，再用代入、分布反演及局部线性回归获得目标效应。
- 材料陈述的贡献
- 摘要称论文研究了估计量的渐近性质，并提出加权bootstrap推断；模拟与真实数据应用显示所提方法的有限样本表现良好。
- 阅读关注点
- 应核对非可分模型中各类效应的识别条件、局部变量选择与调参规则，以及第一阶段误差如何影响最终估计和bootstrap推断。
- 阅读边界
- 仅据所给出版社摘要，不能判断允许的维度增长速度、稀疏性条件或实际改善幅度；摘要未说明应用数据与比较细节。
原文摘要
This paper studies non-separable models with a continuous treatment when the dimension of the control variables is high and potentially larger than the effective sample size. We propose a three-step estimation procedure to estimate the average, quantile, and marginal treatment effects. In the first stage we estimate the conditional mean, distribution, and density objects by penalized local least squares, penalized local maximum likelihood estimation, and numerical differentiation, respectively, where control variables are selected via a localized method of L1-penalization at each value of the continuous treatment. In the second stage we estimate the average and marginal distribution of the potential outcome via the plug-in principle. In the third stage, we estimate the quantile and marginal treatment effects by inverting the estimated distribution function and using the local linear regression, respectively. We study the asymptotic properties of these estimators and propose a weighted-bootstrap method for inference. Using simulated and real datasets, we demonstrate that the proposed estimators perform well in finite samples.