Inference on LATEs with covariates
含协变量的局部平均处理效应推断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：摘要以工具变量识别的局部平均处理效应及弱识别稳健推断为核心，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…
关注这篇论文的作者
含协变量的局部平均处理效应推断
- 研究问题
- 协变量饱和设定产生大量控制变量和可能偏弱的工具变量时，如何对两阶段最小二乘所针对的加权局部效应进行有效推断？
- 方法与思路
- 作者为协变量特定局部平均处理效应的加权平均构造渐近有效检验与置信区间，兼顾效应异质性和弱识别。
- 材料陈述的贡献
- 摘要称推断程序对不可观测效应异质性、丰富协变量支持及弱识别稳健，并在多个领域应用中检出非零局部效应。
- 阅读关注点
- 应核对加权目标及权重、工具变量识别条件、协变量维度增长设定，以及弱识别下检验和区间有效性的范围。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未说明具体工具变量条件、推断算法或各应用的效应数值。
原文摘要
In theory, two-stage least squares (TSLS) identifies a weighted average of covariate-specific local average treatment effects (LATEs) from a saturated specification, without making parametric assumptions on how available covariates enter the model. In practice, TSLS is severely biased as saturation leads to a large number of control dummies and an equally large number of, arguably weak, instruments. This paper derives asymptotically valid tests and confidence intervals for the weighted average of LATEs that is targeted, yet missed by saturated TSLS. The proposed inference procedure is robust to unobserved treatment effect heterogeneity, covariates with rich support, and weak identification. We find LATEs statistically significantly different from zero in applications in criminology, finance, health, and education.