Effect or Treatment Heterogeneity? Policy Evaluation with Aggregated and Disaggregated Treatments
效应异质性还是处理异质性？聚合与细分处理的政策评估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。
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：摘要研究多种处理版本下的因果效应异质性分解，并以机器学习方法进行政策评估。
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
效应异质性还是处理异质性？聚合与细分处理的政策评估
- 研究问题
- 二元处理包含不同处理版本时，观察到的异质性究竟来自同一处理效应的差异，还是来自各群体接受的处理类型和强度不同？
- 方法与思路
- 作者提出分解聚合与细分处理的方法，并以双重或去偏机器学习进行估计和推断，考虑高维混杂、多种处理及极端倾向得分。
- 材料陈述的贡献
- 摘要称，分解可揭示被聚合掩盖的异质性、避免虚假发现并评价分配质量；应用将部分吸烟效应差异及职业培训性别差距联系到处理差异。
- 阅读关注点
- 应核对分解各项的目标参数与识别条件、处理版本的界定，以及极端倾向得分下所需的重叠要求和推断有效性条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出分解公式及适用条件，应用中的解释不能推广为普遍规律。
原文摘要
Binary treatments are often ex-post aggregates of multiple treatments or can be disaggregated into multiple treatment versions. Thus, effects can be heterogeneous due to either effect or treatment heterogeneity. We propose a decomposition method that uncovers masked heterogeneity, avoids spurious discoveries, and evaluates treatment assignment quality. The estimation and inference procedure based on double/debiased machine learning allows for high-dimensional confounding, many treatments and extreme propensity scores. Our applications suggest that heterogeneous effects of smoking on birthweight are partially due to different smoking intensities and that gender gaps in Job Corps effectiveness are largely explained by differential selection into vocational training.