MTE with Misspecification
模型误设下的边际处理效应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：摘要研究工具变量、不响应者和边际处理效应的识别与偏差，直接对应因果推断。
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…
模型误设下的边际处理效应
- 研究问题
- 当部分人群在处理选择中不响应工具变量时，边际处理效应曲线及其函数量如何受到影响，何时还能恢复识别？
- 方法与思路
- 作者分析工具变量不响应者引起的边际处理效应误设，并在倾向评分覆盖整个单位区间时提出适当重加权。
- 材料陈述的贡献
- 摘要称不响应者通常使边际处理效应曲线及多个函数量产生偏差，但在给定支持条件下可通过重加权恢复识别。
- 阅读关注点
- 应核对不响应者的定义与选择机制、观测倾向评分的支持含义、重加权公式，以及不同函数量的识别条件。
- 阅读边界
- 这是预印本，同行评审未核验；摘要未说明支持条件之外的完整假设、权重如何估计或有限样本推断方式。
原文摘要
This paper studies the implication of a fraction of the population not responding to the instrument when selecting into treatment. We show that, in general, the presence of non-responders biases the Marginal Treatment Effect (MTE) curve and many of its functionals. Yet, we show that, when the propensity score is fully supported on the unit interval, it is still possible to restore identification of the MTE curve and its functionals with an appropriate re-weighting.