Identification-robust inference for the LATE with high-dimensional covariates
高维协变量下局部平均处理效应的识别稳健推断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：摘要直接研究工具变量下局部平均处理效应的弱识别稳健推断，并应用于铁路可达性对人口增长的影响，支持因果推断分类。
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
高维协变量下局部平均处理效应的识别稳健推断
- 研究问题
- 在协变量维度较高且工具变量识别可能很弱时，如何对局部平均处理效应构造仍具有有效检验水平的推断程序？
- 方法与思路
- 作者提出正交化 Anderson–Rubin 检验统计量，结合双重或去偏机器学习估计干扰部分，并通过反演检验获得处理效应置信集。
- 材料陈述的贡献
- 摘要称，检验具有一致有效的渐近水平，在弱识别和高维模拟中控制水平较好；铁路与人口应用所得区间比常规方法更宽。
- 阅读关注点
- 应核对局部平均处理效应的识别条件、正交化方式、机器学习误差要求，以及检验反演在弱识别时是否产生无界或不连通集合。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出完整正则条件、区间数值及功效结果，更宽区间本身不证明更准确。
原文摘要
This paper presents an inference method for the local average treatment effect (LATE) in the presence of high-dimensional covariates, regardless of the strength of identification. We propose an orthogonalized Anderson-Rubin test statistic that maintains uniformly valid asymptotic size. We provide an easy-to-implement algorithm for inferring the high-dimensional LATE by inverting our test statistic and employing the double/debiased machine learning method. Simulation results show that our test achieves better size control under both weak identification and high dimensionality, outperforming conventional alternatives. Applying the proposed method to railroad and population data to study the effect of railroad access on urban population growth, we observe wider confidence intervals than those obtained using conventional methods.