Treatment evaluation at the intensive and extensive margins
集约边际与广延边际上的处理效应评估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。
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：摘要核心为选择性样本中的处理效应识别与推断，涉及主分层、尖锐界与去偏机器学习估计，直接对应因果推断方向。
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…
集约边际与广延边际上的处理效应评估
- 研究问题
- 摘要称，在选择性样本中既无工具变量也无参数假设时，如何评估处理效应，尤其是当存在对处理无差异（如不依从）的大量个体时。
- 方法与思路
- 作者提出在所有主分层（刻画完整集约与广延边际）的条件单调性假设下，为平均处理效应构造尖锐界；并指出无差异人群的存在关系到尖锐总体界的正则性，进而提出用平滑外识别区域做推断，以及半参数有效去偏机器学习估计量。
- 材料陈述的贡献
- 摘要称提供了无需工具变量与参数假设的选择性样本处理效应评估方案，给出尖锐界与平滑外识别区域推断方法，并构造可容纳高维协变量与灵活函数形式的半参数有效去偏机器学习估计量；对积极劳动力市场政策的实证研究显示无差异人群普遍存在，并在更弱假设下支持既有影响分析结果。
- 阅读关注点
- 应核对条件单调性假设的具体表述与可检验性、主分层与无差异人群的识别方式、尖锐界与平滑外识别区域的关系及正则性条件、估计量的渐近性质与高维实现细节，以及实证数据与既有结论的对应程度。
- 阅读边界
- 摘要未说明具体数据来源、样本量、数值结果、估计量收敛速度与有限样本表现，也未给出与既有方法的正式比较；所述贡献均为作者陈述，未经独立验证。
原文摘要
This paper provides a solution to the evaluation of treatment effects in selective samples when neither instruments nor parametric assumptions are available. We provide sharp bounds for average treatment effects under a conditional monotonicity assumption for all principal strata, i.e. units characterizing the complete intensive and extensive margins. Most importantly, we allow for a large share of units whose selection is indifferent to treatment, e.g. due to non-compliance. The existence of such a population is crucially tied to the regularity of sharp population bounds and thus conventional asymptotic inference for methods such as Lee bounds can be misleading. This problem can be solved using smoothed outer identification regions for inference. We provide semiparametrically efficient debiased machine learning estimators for both regular and smooth bounds that can accommodate high-dimensional covariates and flexible functional forms. Our study of active labor market policy reveals the empirical prevalence of the aforementioned indifference population and supports results from previous impact analyses under much weaker assumptions.