Generalizing causal effects with noncompliance: Application to deep canvassing experiments
存在不依从时的因果效应推广：深度游说实验应用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。
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：摘要直接讨论不依从、工具变量识别及依从者因果效应向目标总体的推广。
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
存在不依从时的因果效应推广：深度游说实验应用
- 研究问题
- 当研究样本与目标总体分布不同且存在处理不依从时，如何识别并估计目标总体依从者的平均因果效应，而不限于意向处理效应？
- 方法与思路
- 作者提出总体层面的排除限制，构造目标依从者效应的逆加权估计，并扩展至辅助依从信息、未测混杂敏感性分析和工具检验。
- 材料陈述的贡献
- 摘要称，新假设可在实验和观察研究中识别目标效应，无须标准主层可忽略性假设，并给出渐近性质、模拟和深度游说应用。
- 阅读关注点
- 应核对总体排除限制的实质含义、跨总体可迁移性与支持条件、依从者定义，以及权重估计和敏感性分析覆盖的偏离类型。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未列出完整识别假设，取消一种假设不意味着推广无需其他条件。
原文摘要
Standard approaches in generalizability often focus on generalizing the intent-to-treat (ITT). However, in practice, a more policy-relevant quantity is the generalized impact of an intervention across compliers. While instrumental variable (IV) methods are commonly used to estimate the complier average causal effect (CACE) within samples, standard approaches cannot be applied to a target population with a different distribution from the study sample. This paper makes several key contributions. First, we introduce a new set of identifying assumptions in the form of a population-level exclusion restriction that allows for identification of the target complier average causal effect (T-CACE) in both randomized experiments and observational studies. This allows researchers to identify the T-CACE without relying on standard principal ignorability assumptions. Second, we propose a class of inverse-weighted estimators for the T-CACE and derive their asymptotic properties. We provide extensions for settings in which researchers have access to auxiliary compliance information across the target population. Finally, we introduce a sensitivity analysis for researchers to evaluate the robustness of the estimators in the presence of unmeasured confounding and extend existing tests to evaluate instrument validity in this context. We illustrate our proposed method through extensive simulations and a study evaluating the impact of deep canvassing on reducing exclusionary attitudes.