Partial Identification of Population Average and Quantile Treatment Effects in Observational Data Under Sample Selection
样本选择下观测数据中总体平均与分位处理效应的部分识别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：摘要核心为非随机处理分配与样本选择下的处理效应部分识别，属因果推断；同时明确涉及分位处理效应，故归入分位数与分布效应。
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
样本选择下观测数据中总体平均与分位处理效应的部分识别
- 研究问题
- 在存在非随机处理分配与样本选择时，如何部分识别总体平均处理效应与总体分位处理效应，而非依赖点识别所需的强假设。
- 方法与思路
- 作者提出将已选子样本与未选子样本的假设结合起来，构造平均与分位总体处理效应的识别界，并讨论不同假设如何缩小识别区域；以巴西2015年PISA数学成绩为例，部分识别母亲教育的影响。
- 材料陈述的贡献
- 摘要称，本文给出同时处理非随机处理分配与样本选择的部分识别界，说明不同假设对识别区域宽窄的作用，并在实证例子中发现样本选择显著增加不确定性，但仍可得到有信息量的识别区域。
- 阅读关注点
- 应核对所依赖的假设具体形式与可检验性、已选与未选子样本假设如何组合、界的构造与推导、分位效应界的计算方式，以及PISA实例中变量定义与识别区域的实际宽度。
- 阅读边界
- 摘要未说明具体识别假设、估计量形式、渐近性质、数据样本细节与数值结果；所报告的“有信息量”判断仅属作者陈述，不能据此推断方法在其他情境下的表现。
原文摘要
ABSTRACT This article partially identifies population treatment effects in observational data under both non‐random treatment assignment and sample selection. Bounds are provided for both average and quantile population treatment effects, combining assumptions for the selected and the non‐selected subsamples. We show how different assumptions help narrow identification regions, and we illustrate our methods by partially identifying the effect of maternal education on the 2015 PISA math test scores in Brazil. We find that while sample selection considerably increases the uncertainty around the effect of maternal education, it is still possible to calculate informative identification regions.