Efficient Estimation of Data Combination Models by the Method of Auxiliary-to-Study Tilting (AST)
通过辅助样本向研究样本倾斜法（AST）有效估计数据组合模型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：摘要明确列举受处理者平均处理效应、工具变量和双重差分，并包括反事实分布，因此对应因果推断与分布效应方向。
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…
通过辅助样本向研究样本倾斜法（AST）有效估计数据组合模型
- 研究问题
- 在半参数数据组合问题中，如何构造具有局部有效性和双重稳健性的估计量，用于受处理者平均处理效应等研究对象？
- 方法与思路
- 作者提出辅助样本向研究样本倾斜法（AST），用于一类半参数数据组合问题；摘要将其与随机缺失数据问题区分，但未说明具体估计步骤。
- 材料陈述的贡献
- 摘要称，该估计量具有局部有效性和双重稳健性，可用于受处理者平均处理效应、两样本工具变量、反事实分布及半参数双重差分等对象。
- 阅读关注点
- 应核对数据组合的识别条件、双重稳健性对应的模型要求、局部有效性的适用范围，以及工资差异应用中对入市前认知能力的控制方式。
- 阅读边界
- 摘要未说明识别假设、倾斜步骤或辅助模型条件；局部有效性不意味着任意设定下有效，也不能据工资差异应用断言因果机制。
原文摘要
We propose a locally efficient estimator for a class of semiparametric data combination problems. A leading estimand in this class is the average treatment effect on the treated (ATT). Data combination problems are related to, but distinct from, the class of missing data problems with data missing at random (of which the average treatment effect (ATE) estimand is a special case). Our estimator also possesses a double robustness property. Our procedure may be used to efficiently estimate, among other objects, the ATT, the two-sample instrumental variables model (TSIV), counterfactual distributions, poverty maps, and semiparametric difference-in-differences. In an empirical application, we use our procedure to characterize residual Black–White wage inequality after flexibly controlling for “premarket” differences in measured cognitive achievement. Supplementary materials for this article are available online.