Causal Effect Identification and Inference with Endogenous Exposures and a Light-tailed Error
内生暴露与轻尾误差下的因果效应识别和推断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：摘要直接研究内生性下的因果识别，并以极端条件分位数和分位数回归实现估计。
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…
关注这篇论文的作者
内生暴露与轻尾误差下的因果效应识别和推断
- 研究问题
- 在暴露变量内生、结构方程具有加性误差时，能否利用误差的轻尾性质和结果的极端条件分位数识别因果效应？
- 方法与思路
- 作者通过比较不同暴露下的极端条件分位数建立识别，再用极端分位数回归估计，并分别研究一般加性模型与线性模型的渐近性质。
- 材料陈述的贡献
- 摘要称识别不依赖额外参数假设或辅助变量，建立一般加性模型下的一致性与线性情形的渐近正态性，并提供模拟和汽车销售应用。
- 阅读关注点
- 应核对轻尾条件的精确定义、极端分位数对比如何消除内生性影响，以及分位数向尾部移动的速率和线性模型推断条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未完整列出识别条件，不能理解为任何轻尾误差都足以解决任意内生性。
原文摘要
Endogeneity poses significant challenges in causal inference across various research domains. This paper proposes a novel approach to identify and estimate causal effects in the presence of endogeneity. We consider a structural equation with endogenous exposures and an additive error term. Assuming the light-tailedness of the error term, we show that the causal effect can be identified by contrasting extreme conditional quantiles of the outcome given the exposures. Unlike many existing results, our identification approach does not rely on additional parametric assumptions or auxiliary variables. Building on the identification result, we develop a new method that estimates the causal effect using extreme quantile regression. We establish the consistency of the proposed extreme-based estimator under a general additive structural equation and demonstrate its asymptotic normality in the linear model setting. Simulations and data analysis of an automobile sale dataset show the effectiveness of our method in handling endogeneity.