Robustify and tighten the Lee bounds: a sample selection model under stochastic monotonicity and symmetry assumptions
使Lee界更稳健且更紧：随机单调性与对称性下的样本选择模型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：摘要围绕样本选择下处理效应的部分识别及Lee界展开，应用材料也明确来自教学项目实验。
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
使Lee界更稳健且更紧：随机单调性与对称性下的样本选择模型
- 研究问题
- 在样本选择问题中，能否减轻Lee界对单调性假设的依赖，并通过额外分布限制提高处理效应界的信息量？
- 方法与思路
- 作者引入随机版本的单调性和非参数分布形状约束，分别改善对单调性的稳健性与界的紧度，并应用于课后教学实验。
- 材料陈述的贡献
- 摘要称所得界不依赖排除限制，且可实现root-n一致估计；随机单调性与分布形状约束承担不同的改进作用。
- 阅读关注点
- 应核对随机单调性和对称性约束的准确含义、目标处理效应人群，以及root-n一致估计成立的条件与推断方法。
- 阅读边界
- 摘要未说明完整假设、界的公式和实验估计结果；更紧的界依赖额外分布约束，不能据此断言其普遍优于Lee界。
原文摘要
Summary In the presence of sample selection, Lee’s (2009, Review of Economic Studies 76, 1071–102) non-parametric bounds are a popular tool for estimating a treatment effect. However, the Lee bounds rely on the monotonicity assumption, the empirical validity of which is sometimes unclear. Furthermore, the bounds are often regarded to be wide and less informative even under monotonicity. To address these issues, this study introduces a stochastic version of the monotonicity assumption alongside a non-parametric distributional shape constraint. The former enhances the robustness of the Lee bounds with respect to monotonicity, while the latter helps tighten these bounds. The obtained bounds do not rely on the exclusion restriction and can be root-n consistently estimable, making them practically viable. The potential usefulness of the proposed methods is illustrated by their application to experimental data from an after-school instruction programme.