MODEL AVERAGING FOR TREATMENT EFFECT ESTIMATION WITH HETEROGENEITY AND HETEROSKEDASTICITY
异质处理效应与异方差下的模型平均估计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：摘要明确以条件平均处理效应和处理效应异质性为研究对象，直接对应因果推断。
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…
异质处理效应与异方差下的模型平均估计
- 研究问题
- 如何在处理效应随协变量变化、回归误差存在异方差时，结合多个候选线性模型估计条件平均处理效应？
- 方法与思路
- 作者提出基于多个候选线性回归模型的模型平均方案，分析平方误差表现，以及存在正确设定模型时的权重收敛。
- 材料陈述的贡献
- 摘要称该方案具有平方误差意义下的渐近最优性，并给出权重收敛结果；模拟比较与劳动技能培训应用支持其表现。
- 阅读关注点
- 应核对处理效应的识别条件、候选模型与权重构造、最优性的比较范围，以及异方差下理论和推断的适用条件。
- 阅读边界
- 仅据所给 Crossref 版本摘要，不能判断识别假设、具体收敛速度或模拟优势幅度，也不能推断后续刊本变化。
原文摘要
The primary focus of this article is to capture heterogeneous treatment effects measured by the conditional average treatment effect. A model averaging estimation scheme is proposed with multiple candidate linear regression models under heteroskedastic errors, and the properties of this scheme are explored analytically. First, it is shown that our proposal is asymptotically optimal in the sense of achieving the lowest possible squared error. Second, the convergence of the weights determined by our proposal is provided when at least one of the candidate models is correctly specified. Simulation results in comparison with several related existing methods favor our proposed method. The method is applied to a dataset from a labor skills training program.