Lee Bounds with a Continuous Treatment in Sample Selection
样本选择下连续处理的 Lee 界限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：摘要明确讨论样本选择下连续处理效应的部分识别与估计。
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…
关注这篇论文的作者
样本选择下连续处理的 Lee 界限
- 研究问题
- 当连续或多值处理同时影响结果及其可观测性时，如何推广二元处理的 Lee 界限，并利用协变量刻画效应异质性？
- 方法与思路
- 作者引入充分处理值假设，限制选择异质性，并提出双重去偏机器学习估计器，使用非参数及高维方法估计并收紧界限。
- 材料陈述的贡献
- 摘要称，该方法将 Lee 界限推广至连续和多值处理；两项就业项目应用在作者所称较弱假设下支持此前研究发现。
- 阅读关注点
- 应核对充分处理值假设的精确定义、与选择单调性的关系、界限对应的人群，以及机器学习误差如何影响界限推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明界限公式、推断条件及应用数值，不能判断界限收紧程度。
原文摘要
We study causal inference in sample selection models where a continuous or multivalued treatment affects both outcome and their observability (eg., employment or survey response). We generalized the widely used Lee (2009)'s bounds for binary treatment effects. Our key innovation is a sufficient treatment value assumption that imposes weak restrictions on selection heterogeneity and is implicit in separable threshold-crossing models, including monotone effects on selection. Our double debiased machine learning estimator enables nonparametric and high-dimensional methods, using covariates to tighten the bounds and capture heterogeneity. Applications to Job Corps and Civilian Conservation Corps (CCC) program evaluations reinforce prior findings under weaker assumptions.