A Machine-Learning-Compatible Omnibus Test for Treatment Effect Heterogeneity
兼容机器学习的处理效应异质性综合检验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：摘要直接针对处理效应异质性检验，并列出随机实验、双重差分和工具变量等因果识别设计。
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…
兼容机器学习的处理效应异质性综合检验
- 研究问题
- 当识别依赖高维控制变量、而异质性针对低维协变量子集时，如何构建兼容机器学习估计且计算高效的处理效应异质性综合检验？
- 方法与思路
- 作者提出非参数综合检验，推导原假设下的渐近分布，并设计每次迭代无需重新估计干扰参数的 bootstrap，覆盖多种因果研究设计。
- 材料陈述的贡献
- 摘要称方法适用于随机实验、可观测选择、双重差分与工具变量；模拟显示检验尺寸接近名义水平且具有良好功效，并提供两个应用。
- 阅读关注点
- 应核对不同设计下的目标效应与识别条件、机器学习干扰估计的要求，以及 bootstrap 有效性、检验备择范围和模拟功效设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出各设计的具体假设、统计量或数值结果，不能认定其适用于任意估计器。
原文摘要
This study proposes a formal, computationally efficient nonparametric omnibus test for treatment-effect heterogeneity that is compatible with a broad class of estimators, including modern machine-learning methods. The test is designed for settings in which identification can rely on high-dimensional controls while heterogeneity is assessed with respect to a low-dimensional subset of covariates. We derive the test statistic's asymptotic null distribution and develop a bootstrap procedure that is efficient because it avoids re-estimating nuisance parameters in each iteration. The testing approach applies to multiple empirical designs, including randomized experiments, selection-on-observables, difference-in-differences, and instrumental-variables settings. Monte Carlo simulations show that the test attains near-nominal size under the null and exhibits good power against heterogeneous alternatives. We further illustrate the procedure using two empirical applications on retirement savings and trade liberalization.