Estimation of Heterogeneous Treatment Effects Using a Conditional Moment Based Approach
基于条件矩方法的异质性处理效应估计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：摘要明确研究内生处理变量下的异质性处理效应估计及工具变量识别。
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
基于条件矩方法的异质性处理效应估计
- 研究问题
- 在包含多个外生协变量、处理变量可能内生的部分线性模型中，如何估计异质性处理效应并处理高维控制变量？
- 方法与思路
- 作者结合 Robinson 变换、利用条件均值独立限制的平滑最小距离方法及 Neyman 正交一阶条件，并引入 Lasso 等正则化选择。
- 材料陈述的贡献
- 摘要称估计量具有较小偏差、一致性和渐近正态性，并在模拟及俄勒冈医疗保险实验应用中比传统 GMM 方法更稳健。
- 阅读关注点
- 应核对异质性效应的参数化、工具变量与条件矩限制、正交条件构造，以及变量选择误差对推断的影响和比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出识别与收敛条件，也未量化其相对 GMM 的改善。
原文摘要
We propose a new estimator for heterogeneous treatment effects in a partially linear model (PLM) with multiple exogenous covariates and a potentially endogenous treatment variable. Our approach integrates a Robinson transformation to handle the nonparametric component, the Smooth Minimum Distance (SMD) method to leverage conditional mean independence restrictions, and a Neyman-Orthogonalized first-order condition (FOC). By employing regularized model selection techniques like the Lasso method, our estimator accommodates numerous covariates while exhibiting reduced bias, consistency, and asymptotic normality. Simulations demonstrate its robust performance with diverse instrument sets compared to traditional GMM-type estimators. Applying this method to estimate Medicaid's heterogeneous treatment effects from the Oregon Health Insurance Experiment reveals more robust and reliable results than conventional GMM approaches.