Bridging Methodologies: Angrist and Imbens' Contributions to Causal Identification
连接两种方法论：Angrist 与 Imbens 对因果识别的贡献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：摘要围绕工具变量、潜在结果、LATE 及处理效应估计展开，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…
关注这篇论文的作者
连接两种方法论：Angrist 与 Imbens 对因果识别的贡献
- 研究问题
- 工具变量估计如何在潜在结果框架下获得因果解释？处理效应异质性为何使其对应特定子群体的平均效应，并引发政策相关性讨论？
- 方法与思路
- 文章回顾 LATE 的应用起源、识别结果、扩展与政策争论，并介绍两位作者在实证研究设计、倾向得分、匹配及机器学习方面的贡献。
- 材料陈述的贡献
- 摘要将核心贡献概括为连接工具变量与潜在结果文献，强调效应异质性，并解释工具变量为何识别处理受到工具影响者的平均因果效应。
- 阅读关注点
- 应核对不同识别结果所需的具体假设、目标子群体定义，以及 LATE 与政策目标之间的关系，并区分原始贡献、后续扩展和作者评论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要属于方法论回顾，未列出完整识别条件，也不能替代原始论文的定理与证明。
原文摘要
In the 1990s, Joshua Angrist and Guido Imbens studied the causal interpretation of Instrumental Variable estimates (a widespread methodology in economics) through the lens of potential outcomes (a classical framework to formalize causality in statistics). Bridging a gap between those two strands of literature, they stress the importance of treatment effect heterogeneity and show that, under defendable assumptions in various applications, this method recovers an average causal effect for a specific subpopulation of individuals whose treatment is affected by the instrument. They were awarded the Nobel Prize primarily for this Local Average Treatment Effect (LATE). The first part of this article presents that methodological contribution in-depth: the origination in earlier applied articles, the different identification results and extensions, and related debates on the relevance of LATEs for public policy decisions. The second part reviews the main contributions of the authors beyond the LATE. J. Angrist has pursued the search for informative and varied empirical research designs in several fields, particularly in education. G. Imbens has complemented the toolbox for treatment effect estimation in many ways, notably through propensity score reweighting, matching, and, more recently, adapting machine learning procedures.