Abadie's Kappa and Weighting Estimators of the Local Average Treatment Effect
Abadie 的 Kappa 与局部平均处理效应加权估计量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：摘要直接研究工具变量框架下局部平均处理效应的识别相关性质与加权估计。
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…
Abadie 的 Kappa 与局部平均处理效应加权估计量
- 研究问题
- 灵活控制协变量的工具变量加权估计量有哪些有限样本和渐近差异，结果编码与单侧不依从又如何影响局部平均处理效应估计？
- 方法与思路
- 作者依据 Abadie 的 kappa 定理比较多种 LATE 加权估计量，重点考察权重归一化、变换不变性及单侧不依从时分母的性质。
- 材料陈述的贡献
- 摘要称两种归一化估计量通常更可取，其中一种在单侧不依从时分母严格为正；模拟和三个应用展示未归一化方法的编码敏感性。
- 阅读关注点
- 应核对各估计量的权重与分母定义、协变量控制方式，以及对数尺度和平移不变性的论证及其所需识别与渐近条件。
- 阅读边界
- 这是 arXiv 预印本，未核实同行评审或期刊接收。摘要未给出具体识别假设和数值比较，作者推荐不等于所有设计下均占优。
原文摘要
Recent research has demonstrated the importance of flexibly controlling for covariates in instrumental variables estimation. In this paper we study the finite sample and asymptotic properties of various weighting estimators of the local average treatment effect (LATE), motivated by Abadie's (2003) kappa theorem and offering the requisite flexibility relative to standard practice. We argue that two of the estimators under consideration, which are weight normalized, are generally preferable. Several other estimators, which are unnormalized, do not satisfy the properties of scale invariance with respect to the natural logarithm and translation invariance, thereby exhibiting sensitivity to the units of measurement when estimating the LATE in logs and the centering of the outcome variable more generally. We also demonstrate that, when noncompliance is one sided, certain weighting estimators have the advantage of being based on a denominator that is strictly greater than zero by construction. This is the case for only one of the two normalized estimators, and we recommend this estimator for wider use. We illustrate our findings with a simulation study and three empirical applications, which clearly document the sensitivity of unnormalized estimators to how the outcome variable is coded. We implement the proposed estimators in the Stata package kappalate.