Estimation of Direct and Indirect Quantile Treatment Effects with Double Machine Learning
利用双重机器学习估计直接与间接分位数处理效应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。
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：摘要明确研究中介路径下的直接与间接处理效应，并以分位数和潜在结果分布为对象。
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
利用双重机器学习估计直接与间接分位数处理效应
- 研究问题
- 如何将二元处理在特定分位位置的效应分解为经由中介的间接效应与直接效应，并对这些分布效应进行有效推断？
- 方法与思路
- 作者在序贯可忽略性下建立识别，利用潜在结果分布函数的有效影响函数构造双重机器学习估计，并用乘子 bootstrap 推断。
- 材料陈述的贡献
- 摘要称在特定正则条件下建立一致收敛与渐近正态性，并将方法用于职业培训对收入的直接作用及经工作经验传递的作用。
- 阅读关注点
- 应核对直接与间接分位数效应的精确定义、序贯可忽略性要求、辅助模型估计条件，以及统一推断所覆盖的分位范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体正则条件和效应数值未说明，机器学习估计不能自动保证中介识别假设成立。
原文摘要
We propose a framework to disentangle the quantile treatment effect of a binary treatment at a specific rank into an indirect quantile treatment effect that operates through a mediator and an unmediated direct quantile treatment effect. We establish identification results for these effects under the sequential ignorability assumption and propose double/debiased machine learning estimators, based on the efficient influence functions of the cumulative distribution functions of potential outcomes. We demonstrate uniform consistency and asymptotic normality of our effect estimators under specific regularity conditions and propose a multiplier bootstrap for statistical inference. Finally, we apply our method to data from the National Job Corps Study to assess the direct effect of training on earnings and the indirect effect operating through work experience.