Beyond the Average: Distributional Causal Inference under Imperfect Compliance
超越平均效应：不完全依从下的分布因果推断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识别的依从者分布处理效应，涉及因果推断与分布效应。
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…
超越平均效应：不完全依从下的分布因果推断
- 研究问题
- 随机实验中参与者未完全遵从处理分配时，如何识别并估计依从者的处理与对照结果分布之差，并利用协变量提高效率？
- 方法与思路
- 作者以随机分配为工具变量，结合分布回归、回归调整和奈曼正交矩条件，处理高维协变量及连续、离散和混合结果。
- 材料陈述的贡献
- 摘要称估计量适用于多类协变量自适应随机化，具有渐近分布并达到半参数效率界，另以模拟和俄勒冈医保实验展示表现。
- 阅读关注点
- 核对依从者分布效应的识别条件、不同随机化设计下的理论要求、高维回归调整的误差限制，以及效率界所对应的模型。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未列出完整识别条件、收敛要求或模拟数值，效率结论须核对全文。
原文摘要
We study the estimation of distributional treatment effects in randomized experiments with imperfect compliance. When participants do not adhere to their assigned treatments, we leverage treatment assignment as an instrumental variable to identify the local distributional treatment effect-the difference in outcome distributions between treatment and control groups for the subpopulation of compliers. We propose a regression-adjusted estimator based on a distribution regression framework with Neyman-orthogonal moment conditions, enabling robustness and flexibility with high-dimensional covariates. Our approach accommodates continuous, discrete, and mixed discrete-continuous outcomes, and applies under a broad class of covariate-adaptive randomization schemes, including stratified block designs and simple random sampling. We derive the estimator's asymptotic distribution and show that it achieves the semiparametric efficiency bound. Simulation results demonstrate favorable finite-sample performance, and we demonstrate the method's practical relevance in an application to the Oregon Health Insurance Experiment.