Endogeneity in weakly separable models without monotonicity
无单调性条件下弱可分模型的内生性处理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：摘要明确研究内生处理效应，并讨论 Roy 模型、多项选择和内生随机系数等结构模型。
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
无单调性条件下弱可分模型的内生性处理
- 研究问题
- 在二元处理内生且潜在结果弱可分时，如何不依赖既有方法所需的单调性，识别并估计目标处理效应？
- 方法与思路
- 作者利用完整结果分布而非仅用均值提取识别信息，并将方法扩展到多指标及含多个不可观测扰动的模型。
- 材料陈述的贡献
- 摘要称，该方法在若干现有方法无法识别的模型中能够识别目标处理效应，并建立估计量的一致性和渐近正态性。
- 阅读关注点
- 应核对弱可分性的精确定义、所取消的单调性限制，以及完整分布提供识别信息所需的其他条件。
- 阅读边界
- 仅据所给 RePEc 所载出版社摘要版本；其他识别限制及推断条件未说明，不能理解为无条件识别或推断刊本变化。
原文摘要
We identify and estimate treatment effects when potential outcomes are weakly separable with a binary endogenous treatment. Vytlacil and Yildiz (2007) proposed an identification strategy that exploits the mean of observed outcomes, but their approach requires a monotonicity condition. In comparison, we exploit full information in the entire outcome distribution, instead of just its mean. As a result, our method does not require monotonicity and is also applicable to general settings with multiple indices. We provide examples where our approach can identify treatment effect parameters of interest whereas existing methods would fail. These include models where potential outcomes depend on multiple unobserved disturbance terms, such as a Roy model, a multinomial choice model, as well as a model with endogenous random coefficients. We establish consistency and asymptotic normality of our estimators.