Partial identification of the treatment effect distribution and its functionals
处理效应分布及其泛函的部分识别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：摘要明确使用潜在结果研究处理效应分布、分位数和分布泛函的部分识别，直接对应因果推断与分布效应方向。
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
处理效应分布及其泛函的部分识别
- 研究问题
- 在仅知道潜在结果边际分布、不了解联合分布时，如何更紧地界定个体处理效应分布的分位数及其他泛函？
- 方法与思路
- 作者分析 Makarov 界逐点尖锐但非一致尖锐的区别，改进处理效应分布在有限多个点上的联合区域，并据此构造泛函界。
- 材料陈述的贡献
- 摘要称直接使用逐点 Makarov 界构造分位数过程泛函界通常不尖锐，并提出分布函数泛函的改进界及数值可视化说明。
- 阅读关注点
- 应核对逐点与一致尖锐性的区别、边际分布如何被识别，以及个体效应分位数与潜在结果分位数之差的概念区别。
- 阅读边界
- 仅据所给出版社摘要，不能推断边际分布在具体研究中已被识别，也不能补出所有泛函的尖锐界、计算细节或统计推断结论。
原文摘要
In the treatment effect problem, the available information is on the marginal distributions of potential outcomes, but not on their joint distribution. The only point identified functional of the treatment effect distribution is its average, the average treatment effect (ATE). Quantiles and other functionals of the distribution of treatment effect are only partially identified. Bounds on a single quantile and on the cumulative distribution function (c.d.f.) in a single point are sharp (Makarov bounds). We show that bounds on functionals of the quantile process that use Makarov bounds are not sharp, because the Makarov bounds are pointwise, but not uniformly sharp. This allows us to propose improved bounds on functionals of the c.d.f. As an intermediate result, we find that the Makarov bounds on the region that contains the c.d.f. of the treatment effect distribution in a finite number of points can be improved. We provide numerical illustrations throughout the paper permitting a clear visualization of how the method works.