Heterogeneous Treatment Effect Bounds under Sample Selection with an Application to the Effects of Social Media on Political Polarization
样本选择下异质性治疗效应的界：社交媒体与政治极化应用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：摘要直接研究样本选择下异质性因果效应的部分识别、估计和推断。
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
样本选择下异质性治疗效应的界：社交媒体与政治极化应用
- 研究问题
- 当治疗影响结局是否被观察且没有排除限制时，如何估计按治疗前特征变化的因果效应界，并对未点识别的效应开展推断？
- 方法与思路
- 作者利用去偏或双重机器学习处理非线性和高维混杂变量，构造条件效应界、对模型误设稳健的置信区间及一致置信带。
- 材料陈述的贡献
- 摘要称方法提供估计与推断的高层条件，在存在流失的 Facebook 实验再分析中得到更紧的效应界，并提示年轻用户去极化。
- 阅读关注点
- 应核对样本选择下的识别限制、界的构造及紧致性、机器学习辅助量的条件，以及误设稳健性和一致覆盖的含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明具体识别条件，更紧效应界及年轻用户结果仅是作者报告。
原文摘要
We propose a method for estimation and inference for bounds for heterogeneous causal effect parameters in general sample selection models where the treatment can affect whether an outcome is observed and no exclusion restrictions are available. The method provides conditional effect bounds as functions of policy relevant pre-treatment variables. It allows for conducting valid statistical inference on the unidentified conditional effects. We use a flexible debiased/double machine learning approach that can accommodate non-linear functional forms and high-dimensional confounders. Easily verifiable high-level conditions for estimation, misspecification robust confidence intervals, and uniform confidence bands are provided as well. We re-analyze data from a large scale field experiment on Facebook on counter-attitudinal news subscription with attrition. Our method yields substantially tighter effect bounds compared to conventional methods and suggests depolarization effects for younger users.