A Generalized Fiducial Framework for Partially Identified Treatment Effects
部分识别处理效应的广义信仰推断框架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：摘要明确研究部分识别的处理效应，并以工具变量和因果中介模型为主要例子，直接支持因果推断分类。
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
部分识别处理效应的广义信仰推断框架
- 研究问题
- 当观测分布与模型假设只能确定非退化识别集时，如何构造处理效应的信仰推断，并利用采样过程诊断识别假设？
- 方法与思路
- 作者提出适用于部分识别模型的统一信仰采样程序，以接受率作为假设诊断，并在工具变量和中介模型中进行不确定性量化。
- 材料陈述的贡献
- 摘要称建立信仰分布的 Bernstein–von Mises 定理，并提供多种因果假设和目标参数下的模拟及实证应用。
- 阅读关注点
- 应核对信仰分布的构造、定理对识别集边界的条件、区间覆盖目标，以及接受率诊断能否区分假设冲突与计算困难。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出定理条件，高接受率也不足以据此确认识别假设为真。
原文摘要
Over the past two decades, there has been renewed interest in fiducial inference, a statistical framework originally proposed by R. A. Fisher in the 1930s. Existing contributions, however, have largely focused on point-identified models, where the parameter vector is uniquely determined by the joint distribution of the observables and the model assumptions. This paper develops a unified fiducial inference procedure for partially identified models, thereby extending the applicability of the framework to settings in which the identified set is non-degenerate. The acceptance rate of the proposed sampler naturally serves as a diagnostic: high values support the identifying assumptions, while near-zero values signal their potential violation. We establish a Bernstein-von Mises theorem for the fiducial distribution, which provides theoretical guarantees for the proposed sampler. As two leading examples, we provide uncertainty quantification for the instrumental variable model and the mediation model under a range of causal assumptions and target parameters. The proposed methodology is illustrated through extensive simulations and empirical applications.