Decomposition and Interpretation of Treatment Effects in Settings with Delayed Outcomes
结果延迟实现时治疗效应的分解与解释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：摘要直接讨论延迟结果情境下的平均直接因果效应、处理后行动和回归解释，因此归入因果推断。
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…
结果延迟实现时治疗效应的分解与解释
- 研究问题
- 当二元处理与结果实现之间还有其他行动发生时，常用回归估计对象如何对应直接效应、间接效应与选择项？
- 方法与思路
- 作者在共同假设下分解常用回归估计对象，并以强符号保持性考察它们是否保留各行动组合下直接处理效应的符号。
- 材料陈述的贡献
- 摘要称常用估计对象可能出现符号反转，给出控制行动回归的符号保持充要条件，并说明完全分层回归满足该性质。
- 阅读关注点
- 应核对共同识别假设、强符号保持性的定义、互斥二元行动的充要条件，以及完全分层回归对应的效应权重与目标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未列出完整假设，符号保持也不足以说明估计对象等于目标平均直接效应。
原文摘要
This paper studies settings where the analyst is interested in identifying and estimating the average \emph{direct} causal effect of a binary treatment on an outcome. We consider a setup in which the outcome realization does not get immediately realized after the treatment assignment, a feature that is ubiquitous in empirical settings. The period between the treatment and the realization of the outcome allows other observed actions to occur and affect the outcome. In this context, we study several regression-based estimands routinely used in empirical work to capture the average treatment effect and shed light on interpreting them in terms of ceteris paribus effects, indirect causal effects, and selection terms. We obtain three main and related takeaways under a common set of assumptions. First, the three most popular estimands do not generally satisfy what we call \emph{strong sign preservation}, in the sense that these estimands may be negative even when the treatment positively affects the outcome conditional on any possible combination of other actions. Second, the most popular regression that includes the other actions as controls satisfies strong sign preservation \emph{if and only if} these actions are mutually exclusive binary variables. Finally, we show that a linear regression that fully stratifies the other actions leads to estimands that satisfy strong sign preservation.