Bounding Treatment Effects by Pooling Limited Information across Observations
通过有限观测信息汇总界定处理效应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：摘要在无混杂及重叠困难下研究平均处理效应的界限与推断。
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
通过有限观测信息汇总界定处理效应
- 研究问题
- 协变量取值繁多或重叠条件失效时，如何在无混杂假设下为平均处理效应及已处理者效应构造仍然有信息的界限？
- 方法与思路
- 作者限制每个结果观测的贡献所依赖的处理状态数量，在不汇总信息的 Manski 界与无限汇总的逆倾向得分加权之间构造界限。
- 材料陈述的贡献
- 摘要称，该方法提供有限信息汇总下的新处理效应界及推断程序，并在蒙特卡洛实验和两项实际应用中展示稳健性与信息量。
- 阅读关注点
- 应核对无混杂及结果变量限制、有限汇总的构造方式、重叠失效时界限的解释，以及汇总程度对界宽和推断的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未获核验；摘要未说明完整假设和覆盖条件，所称稳健性不能理解为允许任意未观测混杂。
原文摘要
We provide novel bounds on average treatment effects (on the treated) that are valid under an unconfoundedness assumption. Our bounds are designed to be robust in challenging situations, for example, when the conditioning variables take on a large number of different values in the observed sample, or when the overlap condition is violated. This robustness is achieved by only using limited "pooling" of information across observations. Namely, the bounds are constructed as sample averages over functions of the observed outcomes such that the contribution of each outcome only depends on the treatment status of a limited number of observations. No information pooling across observations leads to so-called "Manski bounds", while unlimited information pooling leads to standard inverse propensity score weighting. We explore the intermediate range between these two extremes and provide corresponding inference methods. We show in Monte Carlo experiments and through two empirical application that our bounds are indeed robust and informative in practice.