Constrained Design of a Binary Instrument in a Partially Linear Model
部分线性模型中二元工具变量的约束设计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：摘要直接讨论随机鼓励、二元工具变量和局部平均处理效应的最优试验设计。
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…
部分线性模型中二元工具变量的约束设计
- 研究问题
- 在存在不遵从的随机鼓励试验中，如何依据协变量分配二元鼓励，在预算或伦理约束下提高局部平均处理效应的估计精度？
- 方法与思路
- 作者在部分线性模型下提出两阶段设计，用真实方差的有限样本近似构造凸优化准则，并允许对鼓励分配加入约束。
- 材料陈述的贡献
- 摘要称两阶段程序在给定条件下可一致且渐近最优地估计 LATE，单阶段版本一致但未必最优；半合成分诊例展示精度收益。
- 阅读关注点
- 应核对排除限制及其他工具变量条件、两阶段数据使用方式、近似准则与真实方差的关系，以及最优性比较的可行设计范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出完整最优性条件和收益数值，半合成比较不能保证实际试验中的同等改善。
原文摘要
We study the question of how best to assign an encouragement in a randomized encouragement study. In our setting, units arrive with covariates, receive a nudge toward treatment or control, acquire one of those statuses in a way that need not align with the nudge, and finally have a response observed. The nudge can be modeled as a binary instrument if one assumes that it affects the response only via the treatment status. Our goal is to assign the nudge as a function of covariates in a way that best estimates the local average treatment effect (LATE). We assume a partially linear model, wherein the baseline model is non-parametric and the treatment term is linear in the covariates. Under this model, we outline a two-stage procedure to consistently and optimally estimate the LATE. Though the variance of the LATE is intractable, we derive a finite sample approximation and thus a design criterion to minimize. This criterion is convex, allowing for constraints that might arise for budgetary or ethical reasons. We prove conditions under which our solution asymptotically recovers the lowest true variance among all possible nudge propensities. A one-stage version of the algorithm is consistent but not necessarily optimal. We apply our method to a semi-synthetic example involving triage in an emergency department and find significant gains relative to a regression discontinuity design.