Treatment Evaluation at the Intensive and Extensive Margins
集约边际与广延边际上的处理效应评估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：摘要明确研究选择样本中的处理效应、主层、条件单调性与 Lee 界推断，文本依据直接支持归入因果推断。
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…
集约边际与广延边际上的处理效应评估
- 研究问题
- 当处理同时影响样本选择与被选择者的结果，且没有工具变量或参数假设时，如何界定各主层的平均处理效应并可靠推断？
- 方法与思路
- 作者在条件单调性下构造锐界，允许选择状态不受处理影响的群体，并以平滑外部识别区域和去偏机器学习处理估计推断。
- 材料陈述的贡献
- 摘要称揭示选择不变群体与锐界非正则性的联系，提出常规及平滑界的半参数有效估计，并用劳动市场政策案例展示意义。
- 阅读关注点
- 全文应核对条件单调性的表述、各主层效应的界定、选择不变群体导致的非正则性，以及平滑程度对覆盖率和界宽的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未提供锐界公式、完整效率条件或平滑偏差控制的具体要求。
原文摘要
This paper provides a solution to the evaluation of treatment effects in selective samples when neither instruments nor parametric assumptions are available. We provide sharp bounds for average treatment effects under a conditional monotonicity assumption for all principal strata, i.e. units characterizing the complete intensive and extensive margins. Most importantly, we allow for a large share of units whose selection is indifferent to treatment, e.g. due to non-compliance. The existence of such a population is crucially tied to the regularity of sharp population bounds and thus conventional asymptotic inference for methods such as Lee bounds can be misleading. This problem can be solved using smoothed outer identification regions for inference. We provide semiparametrically efficient debiased machine learning estimators for both regular and smooth bounds that can accommodate high-dimensional covariates and flexible functional forms. Our study of active labor market policy reveals the empirical prevalence of the aforementioned indifference population and supports results from previous impact analyses under much weaker assumptions.