Identification in Endogenous Sequential Treatment Regimes
内生序贯处理方案中的识别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：摘要核心是内生处理序列下的工具变量识别、动态 MTE 和平均处理效应。
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
内生序贯处理方案中的识别
- 研究问题
- 个体自我选择进入不同处理序列时，如何非参数识别动态处理效应，并减少既有研究对可观测变量支持集和不可观测处理收益的限制？
- 方法与思路
- 作者以标准工具变量假设的动态版本建立识别策略，将动态边际处理效应作为基础，并用筛估计量估计 MTE 与平均处理效应。
- 材料陈述的贡献
- 摘要称，主要贡献是放宽动态处理效应文献中的支持集和不可观测收益假设；贴近应用的模拟展示筛估计量的有限样本表现。
- 阅读关注点
- 应核对动态工具变量条件、处理序列选择的表达方式，以及哪些支持集和收益限制得到放宽、哪些效应仍需额外条件识别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出动态工具变量假设与识别公式，也未提供模拟数值或真实应用结果。
原文摘要
This paper develops a novel nonparametric identification method for treatment effects in settings where individuals self-select into treatment sequences. I propose an identification strategy which relies on a dynamic version of standard Instrumental Variables (IV) assumptions and builds on a dynamic version of the Marginal Treatment Effects (MTE) as the fundamental building block for treatment effects. The main contribution of the paper is to relax assumptions on the support of the observed variables and on unobservable gains of treatment that are present in the dynamic treatment effects literature. Monte Carlo simulation studies illustrate the desirable finite-sample performance of a sieve estimator for MTEs and Average Treatment Effects (ATEs) on a close-to-application simulation study.