Inference on the Distribution of Individual Treatment Effects in Nonseparable Triangular Models
非可分三角模型中个体处理效应分布的推断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：摘要直接研究工具变量框架下个体处理效应的分布、分位数与统一推断。
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
非可分三角模型中个体处理效应分布的推断
- 研究问题
- 在二元内生处理和二元工具变量的非可分三角模型中，如何推断个体处理效应的分布、正效应比例、分位数及子群体之间的差异？
- 方法与思路
- 作者基于已有非参数个体效应估计构造经验分布函数与分位数函数，建立高斯过程弱收敛结果，并据此设计 bootstrap 统一置信带。
- 材料陈述的贡献
- 摘要称该方法支持处理效应分布及其函数的非参数推断，并可能比既有密度方法更精确；明确提出分布函数和分位数函数的统一置信带。
- 阅读关注点
- 核对个体效应识别依赖的三角模型假设、第一阶段估计误差如何进入极限过程，以及 bootstrap 有效性、分位数边界和子群体比较的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出识别与弱收敛的具体条件，也未量化相对于密度方法的精度优势。
原文摘要
In this paper, we develop inference methods for the distribution of heterogeneous individual treatment effects (ITEs) in the nonseparable triangular model with a binary endogenous treatment and a binary instrument of Vuong and Xu (2017) and Feng, Vuong, and Xu (2019). We focus on the estimation of the cumulative distribution function (CDF) of the ITE, which can be used to address a wide range of practically important questions such as inference on the proportion of individuals with positive ITEs, the quantiles of the distribution of ITEs, and the interquartile range as a measure of the spread of the ITEs, as well as comparison of the ITE distributions across sub-populations. Moreover, our CDF-based approach can deliver more precise results than density-based approach previously considered in the literature. We establish weak convergence to tight Gaussian processes for the empirical CDF and quantile function computed from nonparametric ITE estimates of Feng, Vuong, and Xu (2019). Using those results, we develop bootstrap-based nonparametric inferential methods, including uniform confidence bands for the CDF and quantile function of the ITE distribution.