On Quantile Treatment Effects, Rank Similarity,and Variation of Instrumental Variables
分位数处理效应、秩相似性与工具变量变异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：摘要以分位数和分布处理效应为对象，并研究内生性下的工具变量因果识别。
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
分位数处理效应、秩相似性与工具变量变异
- 研究问题
- 在不可分离的内生性模型中，秩相似性对潜在结果分布施加什么限制，放宽该条件后能否识别分布处理效应的界？
- 方法与思路
- 作者刻画秩相似性并提出较弱识别条件，将分布效应界写成线性半无限规划，再利用鞍点结构与 KKT 条件分析样本解。
- 材料陈述的贡献
- 摘要称新框架给出分布处理效应的识别界，说明多值或多个工具变量如何收紧界，并建立估计界及相关解的大样本性质。
- 阅读关注点
- 应核对替代识别条件与秩相似性的逻辑关系、工具变量有效性、界的锐性，以及规划离散化和渐近分布的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出较弱条件及具体渐近分布，不能据此判断界是否足够有信息。
原文摘要
This paper develops a nonparametric framework to identify and estimate distributional treatment effects under nonseparable endogeneity. We begin by revisiting the widely adopted \emph{rank similarity} (RS) assumption and characterizing it by the relationship it imposes between observed and counterfactual potential outcome distributions. The characterization highlights the restrictiveness of RS, motivating a weaker identifying condition. Under this alternative, we construct identifying bounds on the distributional treatment effects of interest through a linear semi-infinite programming (SILP) formulation. Our identification strategy also clarifies how richer exogenous instrument variation, such as multi-valued or multiple instruments, can further tighten these bounds. Finally, exploiting the SILP's saddle-point structure and Karush-Kuhn-Tucker (KKT) conditions, we establish large-sample properties for the empirical SILP: consistency and asymptotic distribution results for the estimated bounds and associated solutions.