Profiling Compliers in Instrumental Variables Designs
工具变量设计中依从者的特征刻画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：摘要围绕工具变量、依从者与局部平均处理效应的解释展开，直接属于因果推断。
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…
工具变量设计中依从者的特征刻画
- 研究问题
- 工具变量估计通常针对依从者，如何刻画依从者与非依从者的基线特征，帮助理解目标子群及局部效应的外部有效性？
- 方法与思路
- 作者讨论刻画子群所需的假设，给出利用基线协变量描述依从者和非依从者的一般方法，并推导相应估计的标准误。
- 材料陈述的贡献
- 摘要称在工具随机分配时，子群刻画所需假设弱于识别局部平均处理效应的假设，并以手术倾向工具变量展示方法。
- 阅读关注点
- 应核对子群刻画与效应识别的假设差异、单调性的具体作用，以及标准误推导和非随机工具情形的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出完整假设，子群特征比较本身也不能证明效应可外推。
原文摘要
Instrumental variable (IV) analyses are becoming common in health services research and epidemiology. IV analyses can be used both to analyze randomized trials with noncompliance and as a form of natural experiment. In these analyses, investigators often adopt a monotonicity assumption, which implies that the relevant effect only applies to a subset of the study population known as compliers. Since the estimated effect is not the average treatment effect of the study population, it is important to compare the characteristics of compliers and non-compliers. Profiling compliers and non-compliers is necessary to understand what subpopulation the researcher is making inferences about, and an important first step in evaluating the external validity (or lack thereof) of the IV estimate for compliers. Here, we discuss the assumptions necessary for profiling, which are weaker than the assumptions necessary for identifying the local average treatment effect if the instrument is randomly assigned. We then outline a simple and general method to characterize compliers and noncompliers using baseline covariates. Next, we extend current methods by deriving standard errors for these estimates. We demonstrate these methods using an IV known as tendency to operate (TTO) from health services research.