Estimation and Inference for Causal Functions with Multiway Clustered Data
多维聚类数据下因果函数的估计与推断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：摘要明确估计条件平均处理效应和连续处理效应，并为多维聚类下的因果函数构造一致置信带。
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
多维聚类数据下因果函数的估计与推断
- 研究问题
- 当观测存在多维聚类且辅助函数维度较高时，如何估计条件平均处理效应等因果函数，并构造覆盖整个函数的一致置信带？
- 方法与思路
- 作者先用机器学习估计辅助参数，再将估计的 Neyman 正交信号投影到增长的基函数字典，并提出多维聚类得分 Bootstrap。
- 材料陈述的贡献
- 摘要称建立全样本与多维交叉拟合估计的函数极限理论，提供一致置信带，并在奴隶贸易与非洲不信任水平应用中发现异质效应。
- 阅读关注点
- 应核对因果识别条件、聚类维度与依赖结构、基函数维数及辅助估计收敛要求，以及交叉拟合和 Bootstrap 的具体实施。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明识别假设与数值结果，应用中的因果解释需结合全文评估。
原文摘要
This paper proposes methods of estimation and uniform inference for a general class of causal functions, such as the conditional average treatment effects and the continuous treatment effects, under multiway clustering. The causal function is identified as a conditional expectation of an adjusted (Neyman-orthogonal) signal that depends on high-dimensional nuisance parameters. We propose a two-step procedure where the first step uses machine learning to estimate the high-dimensional nuisance parameters. The second step projects the estimated Neyman-orthogonal signal onto a dictionary of basis functions whose dimension grows with the sample size. For this two-step procedure, we propose both the full-sample and the multiway cross-fitting estimation approaches. A functional limit theory is derived for these estimators. To construct the uniform confidence bands, we develop a novel resampling procedure, called the multiway cluster-robust sieve score bootstrap, that extends the sieve score bootstrap (Chen and Christensen, 2018) to the novel setting with multiway clustering. Extensive numerical simulations showcase that our methods achieve desirable finite-sample behaviors. We apply the proposed methods to analyze the causal relationship between mistrust levels in Africa and the historical slave trade. Our analysis rejects the null hypothesis of uniformly zero effects and reveals heterogeneous treatment effects, with significant impacts at higher levels of trade volumes.