Identifying Effects of Multivalued Treatments
多值处理效应的识别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：摘要直接研究多值处理效应的识别，依赖阈值跨越式处理分配规则与连续工具变量，明确属于因果推断。
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…
关注这篇论文的作者
多值处理效应的识别
- 研究问题
- 在允许多维未观测异质性的多值处理模型中，能否突破有序选择与无序单调性的既有框架，识别处理效应？
- 方法与思路
- 作者将处理分配表示为阈值跨越规则的可测函数，并要求足够多的连续工具变量，以容纳多维未观测异质性。
- 材料陈述的贡献
- 摘要称给出更一般模型类别中的处理效应识别结果，并通过若干模型类别说明其方法；具体可识别效应类型未说明。
- 阅读关注点
- 核对阈值跨越表示的适用范围、连续工具变量的数量与支持条件，并确认识别的是哪些处理效应及其适用总体。
- 阅读边界
- 摘要未说明完整的工具变量条件、识别公式或估计与推断方法；更一般的模型仍受所列分配结构及工具变量要求限制。
原文摘要
Multivalued treatment models have typically been studied under restrictive assumptions: ordered choice, and more recently, unordered monotonicity. We show how treatment effects can be identified in a more general class of models that allows for multidimensional unobserved heterogeneity. Our results rely on two main assumptions: treatment assignment must be a measurable function of threshold‐crossing rules, and enough continuous instruments must be available. We illustrate our approach for several classes of models.