Efficient Semiparametric Estimation of Quantile Treatment Effects
分位数处理效应的有效半参数估计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。
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：摘要在基于可观测特征的处理选择条件下估计分位数处理效应，直接涉及因果推断与分布效应。
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
分位数处理效应的有效半参数估计
- 研究问题
- 在处理选择由可观测特征决定的识别限制下，如何估计处理对结果分布不同分位点的影响，并获得有效的半参数推断？
- 方法与思路
- 作者先非参数估计倾向得分，再对两个最小化问题的解作差；识别直接针对潜在结果的边际分位数，无需计算其条件分位数。
- 材料陈述的贡献
- 摘要称估计量具有 √N 一致性、渐近正态性并达到半参数效率界，同时给出一致方差估计，并提供职业培训项目应用与模拟。
- 阅读关注点
- 核对基于可观测特征选择的识别条件、共同支撑和倾向得分估计要求，以及分位点正则条件、方差公式与有限重叠应用的细节。
- 阅读边界
- 摘要中的有限重叠和小样本表现来自特定应用与模拟，不能据此放宽正文识别或效率条件；摘要未列出设计、样本量和数值结果。
原文摘要
This paper develops estimators for quantile treatment effects under the identifying restriction that selection to treatment is based on observable characteristics. Identification is achieved without requiring computation of the conditional quantiles of the potential outcomes. Instead, the identification results for the marginal quantiles lead to an estimation procedure for the quantile treatment effect parameters that has two steps: nonparametric estimation of the propensity score and computation of the difference between the solutions of two separate minimization problems. Root-N consistency, asymptotic normality, and achievement of the semiparametric efficiency bound are shown for that estimator. A consistent estimation procedure for the variance is also presented. Finally, the method developed here is applied to evaluation of a job training program and to a Monte Carlo exercise. Results from the empirical application indicate that the method works relatively well even for a data set with limited overlap between treated and controls in the support of covariates. The Monte Carlo study shows that, for a relatively small sample size, the method produces estimates with good precision and low bias, especially for middle quantiles.