Identification-robust inference for the LATE with high-dimensional covariates
高维协变量下局部平均处理效应的识别稳健推断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。
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：摘要明确围绕工具变量识别下的局部平均处理效应及其识别稳健推断。
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
高维协变量下局部平均处理效应的识别稳健推断
- 研究问题
- 当协变量维数很高且工具变量识别可能较弱时，如何对局部平均处理效应构造具有统一渐近尺寸保障的检验与置信集？
- 方法与思路
- 作者提出正交化 Anderson–Rubin 检验，结合双重或去偏机器学习估计，并通过反演检验构造高维 LATE 的推断算法。
- 材料陈述的贡献
- 摘要称，检验不依赖强识别而维持统一渐近尺寸，模拟中尺寸控制优于常规方法；铁路应用得到较宽的置信区间。
- 阅读关注点
- 应核对 LATE 的识别假设、正交化构造、机器学习误差要求及检验反演方式，并检查弱识别下置信集可能出现的形态。
- 阅读边界
- 仅据所给 RePEc 出版社摘要解读；具体识别条件、高维增长限制及区间数值未说明，较宽区间不能直接解释为因果效应更大。
原文摘要
This paper presents an inference method for the local average treatment effect (LATE) in the presence of high-dimensional covariates, regardless of the strength of identification. We propose an orthogonalized Anderson-Rubin test statistic that maintains uniformly valid asymptotic size. We provide an easy-to-implement algorithm for inferring the high-dimensional LATE by inverting our test statistic and employing the double/debiased machine learning method. Simulation results show that our test achieves better size control under both weak identification and high dimensionality, outperforming conventional alternatives. Applying the proposed method to railroad and population data to study the effect of railroad access on urban population growth, we observe wider confidence intervals than those obtained using conventional methods.