Causal Inference for Qualitative Outcomes
定性结局的因果推断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：摘要明确讨论工具变量、断点回归和双重差分下定性结局的因果目标量；未涉及离散选择行为模型。
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…
定性结局的因果推断
- 研究问题
- 当结局为定性类别时，工具变量、断点回归和双重差分等方法面临哪些效应定义难题，又如何构造明确且可解释的目标量？
- 方法与思路
- 作者提出替代性因果目标量框架，称常规识别假设足以识别这些目标量，并给出兼容既有计量方法的直观估计策略。
- 材料陈述的贡献
- 摘要称框架改善定性结局下目标量的定义与解释，同时保留常规方法的兼容性，并提供 CRAN 上的 causalQual 开源 R 包。
- 阅读关注点
- 核对新目标量的精确定义、类别编码对解释的影响，以及不同研究设计下常规假设如何支持识别和相应估计策略。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出新目标量、具体识别假设或推断方法，不能判断各设计下的适用边界。
原文摘要
Causal inference methods such as instrumental variables, regression discontinuity, and difference-in-differences are widely used to identify and estimate treatment effects. However, when outcomes are qualitative, their application poses fundamental challenges. This paper highlights these challenges and proposes an alternative framework that focuses on well-defined and interpretable estimands. We show that conventional identification assumptions suffice for identifying the new estimands and outline simple, intuitive estimation strategies that remain fully compatible with conventional econometric methods. We provide an accompanying open-source R package, $\texttt{causalQual}$, which is publicly available on CRAN.