A Simple Measure of Robustness for External Validity under Covariate Shifts
协变量分布偏移下外部有效性的简明稳健性度量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：摘要直接研究政策因果效应在协变量分布变化下的外部有效性与稳健性。
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
协变量分布偏移下外部有效性的简明稳健性度量
- 研究问题
- 实验或准实验得到的政策效应结论，对目标人群协变量分布变化有多敏感，最小多大的偏移会使结论失效？
- 方法与思路
- 作者定义稳健性指标 δ*，通过去偏 GMM 结合机器学习估计效应异质性，并用基准比较与校准辅助解释。
- 材料陈述的贡献
- 摘要称该指标可按参数收敛率估计，并以俄勒冈健康保险实验展示如何将其作为点估计和标准误之外的外部有效性信息。
- 阅读关注点
- 应核对协变量偏移的距离定义、允许的分布集合、效应跨人群迁移条件，以及去偏估计和校准的具体要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明距离形式与识别条件，也未覆盖所有外部有效性威胁。
原文摘要
This paper studies the robustness of estimated policy effects to changes in the distribution of covariates, a key determinant of the external validity of (quasi)-experimental results. I propose a novel robustness metric $δ^*$ which measures the smallest covariate shift needed to invalidate an empirical claim about the policy effect (e.g., $ATE > 0$). I estimate $δ^*$ via de-biased GMM, achieving a parametric rate of convergence while accommodating machine-learning estimators of treatment-effect heterogeneity (e.g., LASSO, random forests, neural networks). I develop benchmarking and calibration exercises to interpret the magnitude of $δ^*$. I illustrate these tools in an application to the Oregon Health Insurance Experiment. Researchers can report $δ^*$ alongside the point estimate and standard error as a third number gauging external validity under covariate shifts.