Identification and Estimation in a Class of Potential Outcomes Models
一类潜在结果模型的识别与估计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。
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：摘要明确围绕潜在结果、工具变量和因果参数的识别与估计展开。
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…
一类潜在结果模型的识别与估计
- 研究问题
- 在工具变量条件独立且未观测异质性分布满足凸约束时，能否统一不同研究设计的因果参数识别条件与估计方法？
- 方法与思路
- 作者用潜在结果向量和处理选择类型表示异质性，推导识别的充要条件及估计矩条件，并在一个主要特例中构造双重稳健估计。
- 材料陈述的贡献
- 摘要称框架给出建设性识别结果，并在所研究特例中证明渐近正态性、bootstrap 推断有效性及可根号样本量估计参数的效率界。
- 阅读关注点
- 应核对凸约束和工具变量独立性的具体形式、哪些参数满足识别充要条件，以及双重稳健结果与效率界的适用子模型。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未给出完整条件，特例中的双重稳健和效率结论不能推广到整个模型类。
原文摘要
This paper develops a class of potential outcomes models characterized by three main features: (i) Unobserved heterogeneity can be represented by a vector of potential outcomes and a type describing the manner in which an instrument determines the choice of treatment; (ii) The availability of an instrumental variable that is conditionally independent of unobserved heterogeneity; and (iii) The imposition of convex restrictions on the distribution of unobserved heterogeneity. The proposed class of models encompasses multiple classical and novel research designs, yet possesses a common structure that permits a unifying analysis of identification and estimation. In particular, we establish that these models share a common necessary and sufficient condition for identifying certain causal parameters. Our identification results are constructive in that they yield estimating moment conditions for the parameters of interest. Focusing on a leading special case of our framework, we further show how these estimating moment conditions may be modified to be doubly robust. The corresponding double robust estimators are shown to be asymptotically normally distributed, bootstrap based inference is shown to be asymptotically valid, and the semi-parametric efficiency bound is derived for those parameters that are root-n estimable. We illustrate the usefulness of our results for developing, identifying, and estimating causal models through an empirical evaluation of the role of mental health as a mediating variable in the Moving To Opportunity experiment.