On the Specification of Propensity Scores, With Applications to the Analysis of Trade Policies
倾向得分模型的设定：贸易政策分析中的应用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：摘要明确讨论非实验项目评估中的倾向得分设定，并将方法用于贸易政策效果分析，因此归入因果推断。
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
倾向得分模型的设定：贸易政策分析中的应用
- 研究问题
- 在使用非实验数据评估政策效果时，倾向得分模型的真实设定未知，采用更灵活或过度设定的模型是否有助于改善估计表现？
- 方法与思路
- 作者通过蒙特卡洛模拟比较不同协变量结构与估计量下倾向得分过度设定的表现，并以国际贸易政策的两项应用加以说明。
- 材料陈述的贡献
- 摘要称，过度设定倾向得分的益处在多种协变量结构与估计量下仍然存在，并提供贸易组织成员资格与采用欧元的政策应用。
- 阅读关注点
- 阅读全文时应核对过度设定的具体含义、模拟评价指标与模型复杂度，以及两项应用的处理定义、识别假设和重叠情况。
- 阅读边界
- 摘要未说明模拟中的改善幅度、样本规模或复杂度代价，也未报告两项应用的效应数值，不能据此认定灵活设定总是更优。
原文摘要
The use of propensity score methods for program evaluation with nonexperimental data typically requires that the propensity score be estimated, often with a model whose specification is unknown. Although theoretical results suggest that estimators using more flexible propensity score specifications perform better, this has not filtered into applied research. Here we provide Monte Carlo evidence indicating benefits of overspecifying the propensity score that are robust across a number of different covariate structures and estimators. We illustrate these results with two applications, one assessing the environmental effects of General Agreement on Tariffs and Trade/World Trade Organization membership and the other assessing the impact of adopting the euro on bilateral trade.