Identification of Latent Group Effects under Conditional Calibration
条件校准下潜在组别效应的识别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。
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：摘要明确研究结构均值模型中潜在组别系数的识别与估计，直接对应结构估计，但未充分说明因果效应识别。
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
条件校准下潜在组别效应的识别
- 研究问题
- 组别不可观测、但存在满足条件校准的概率得分时，能否识别结构性组别效应？得分残差变异与校准误差如何影响识别和偏差？
- 方法与思路
- 作者在常系数结构均值模型下，用可观测矩之比识别组别系数，以残差得分方差刻画识别，并分析渐近分布与校准误差敏感性。
- 材料陈述的贡献
- 摘要称给出点识别公式及真实不识别构造，分解边际组别均值差，并推导校准误差的尖锐偏差界与硬阈值分类的衰减结果。
- 阅读关注点
- 应核对除校准外的完整结构条件、残差得分方差接近零时的推断，以及 oracle 估计如何转为可行估计和异质效应下的目标。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列完整结构假设与可行估计步骤，校准关系本身不足以确立因果解释。
原文摘要
We study identification of a structural group effect when the group indicator $G\in\{0,1\}$ is unobserved, but the analyst observes a calibrated probability score $p$ satisfying $E[G\mid p,X]=p$. Under a constant-coefficient structural mean model, the latent-group coefficient $τ$ is point-identified by a closed-form ratio of observable moments whose denominator is the residual score variance $V^{*}=E[(p-E[p\mid X])^2]$. Identification fails exactly when the score is a deterministic function of $X$; we construct an explicit continuum of observationally equivalent models showing the failure is genuine. The marginal latent mean gap decomposes as $τ$ plus a compositional term that is itself identified in closed form, and we characterise when the two coincide. The oracle estimator is $\sqrt{n}$-consistent and asymptotically normal with a closed-form sandwich variance. Under calibration error bounded by $δ$, the bias obeys a sharp bound proportional to $δ/V^{*}$, and hard-threshold classification attenuates the estimated gap. Monte Carlo experiments confirm the theory, including the variance-weighted estimand under heterogeneous effects.