The Identification Power of Combining Experimental and Observational Data for Distributional Treatment Effect Parameters
结合实验与观察数据对分布处理效应参数的识别能力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：摘要明确研究处理效应的部分识别、潜在结果分布和分布效应参数的尖锐界。
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
结合实验与观察数据对分布处理效应参数的识别能力
- 研究问题
- 当随机实验仍不能点识别某些分布处理效应时，加入处理由个体自选的观察数据，能否以及何时严格缩小识别集合？
- 方法与思路
- 作者利用两类数据刻画潜在自选择类型下的潜在结果分布，推导尖锐界，并以线性规划纳入潜在结果正依赖和广义 Roy 选择限制。
- 材料陈述的贡献
- 摘要称，联合数据所揭示的信息完整刻画识别集合，并给出广泛分布效应参数的尖锐界及识别集合严格收紧的充要条件。
- 阅读关注点
- 应核对两类数据可联合使用的条件、自选择类型的定义、尖锐性证明，以及额外结构限制如何改变线性规划和识别集合。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明跨数据来源的兼容条件或实证界的具体数值。
原文摘要
This study investigates whether and how combining experimental data, in which treatment is randomized, with observational data, in which treatment is self-selected, improves identification of distributional treatment effect (DTE) parameters. Many DTE parameters remain partially identified even under randomized treatment assignment. We show that the combined data reveal how potential-outcome distributions vary across latent self-selection types and that this information fully characterizes the identified set under the combined data. Building on this characterization, we derive sharp bounds for broad classes of DTE parameters and establish necessary and sufficient conditions under which data combination strictly tightens the identified set. We also develop a linear programming approach that accommodates additional structural restrictions, including positive dependence between potential outcomes and generalized Roy model selection. An empirical application using data on negative campaign advertisements in the 2008 U.S. presidential election illustrates the practical value of combining the two data sources.