Identifying causal effects with subjective ordinal outcomes
使用主观有序结果识别因果效应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：摘要明确研究主观有序结果下的因果效应识别、效应大小比较及部分识别。
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
使用主观有序结果识别因果效应
- 研究问题
- 当受访者对有序回答类别有不同理解时，如何利用类别编号识别处理效应，尤其比较不同处理影响的相对大小而不假定回答可作基数比较？
- 方法与思路
- 作者在连续处理独立于潜在结果及报告风格异质性的条件下，分析非参数回归及局部导数比，并讨论二元处理及附加假设下的部分识别。
- 材料陈述的贡献
- 摘要称回归可恢复与类别边界人群平均因果效应成比例的量，导数比可识别效应凸平均的相对大小，并以主观幸福感研究展示应用。
- 阅读关注点
- 应核对处理独立性条件、报告阈值异质性、边界人群的权重，以及连续处理导数比与离散处理比较在解释和识别上的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要明确系数大小本身没有独立意义，但未给出完整识别条件及离散处理界限。
原文摘要
Survey questions often ask respondents to select from ordered scales where the meanings of the categories are subjective, leaving each individual free to apply their own definitions in answering. This paper studies the use of these responses as an outcome variable in causal inference, accounting for variation in interpretation of the categories across individuals. I find that when a continuous treatment variable is statistically independent of both i) potential outcomes; and ii) heterogeneity in reporting styles, a nonparametric regression of response category number on that treatment variable recovers a quantity proportional to an average causal effect among individuals who are on the margin between successive response categories. The magnitude of a given regression coefficient is not meaningful on its own, but the ratio of local regression derivatives with respect to two such treatment variables identifies the relative magnitudes of convex averages of their effects. These results can be seen as limiting cases of analogous results for binary treatment variables, though comparisons of magnitude involving discrete treatments are not as readily interpretable outside of the limit. I obtain a partial identification result for comparisons involving discrete treatments under further assumptions. An empirical application illustrates the results by revisiting the effects of income comparisons on subjective well-being, without assuming cardinality or interpersonal comparability of responses.