Omitted variable bias sensitivity analysis with clustered treatment assignment
聚类处理分配下的遗漏变量偏差敏感性分析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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究处理效应回归中遗漏混杂的敏感性与稳健值，直接涉及因果推断；群组分配本身不足以归为面板数据。
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
聚类处理分配下的遗漏变量偏差敏感性分析
- 研究问题
- 当处理在群组层面分配时，为何个体回归与加权群组回归的处理系数相同，其遗漏混杂敏感性分析却可能给出不同结论？
- 方法与思路
- 作者区分结果变量的组间与组内残差变异，借助 Pearson 偏 η 修正个体回归的稳健值及极端情形敏感性分析。
- 材料陈述的贡献
- 摘要称修正可恢复两种分析层级的敏感性结论一致性，并建议在使用个体协变量作基准时纳入这些协变量的群组均值。
- 阅读关注点
- 应核对回归数值等价所需的权重和设定、混杂变量的群组层级限制，以及偏 η 修正与协变量基准比较的计算方式。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要围绕线性回归及群组层面混杂展开，未说明能否推广至其他模型或混杂结构。
原文摘要
Cinelli and Hazlett (2020) develops a sensitivity analysis method for the linear regression model that parameterizes omitted variable bias in terms of two partial $R^2$ parameters capturing the residual variation explained by an omitted confounder in the treatment and outcome respectively. This method is often applied to regressions fit to unit-level data when treatment is assigned at a higher level of aggregation -- as in clustered observational designs. This paper shows that despite the numerical equivalence of the unit-level regression and an appropriately weighted cluster-aggregated regression for estimating the treatment effect, the sensitivity analysis procedure yields different conclusions depending on the chosen level of analysis. The outcome-confounder partial $R^2$ reflects both between- and within- group variation but the latter is irrelevant to omitted variable bias as it by construction cannot be explained by a group-level confounder. Straightforward corrections to the robustness value and the extreme scenario analysis from the unit-level regression using Pearson's partial-$η$ recover equivalence between these two approaches. The paper concludes with a point of caution when benchmarking against unit-level covariates and recommends always including cluster-level averages of these covariates as regressors (Mundlak, 1978).