Bounds on causal effects in $2^{K}$ factorial experiments with non-compliance
存在不依从的2^K析因实验中因果效应的界限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：摘要直接研究随机析因实验不依从下依从者因果效应的部分识别。
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
存在不依从的2^K析因实验中因果效应的界限
- 研究问题
- 在多个实验因子均可能出现不依从时，如何减少对处理接受机制的强假设，并对依从者平均处理效应进行部分识别？
- 方法与思路
- 作者沿用工具变量视角，在结果变量有界的设定中，对不依从采用较温和的假设，推导依从者平均处理效应的界限。
- 材料陈述的贡献
- 摘要所述贡献是将依赖较强处理接受假设的点识别问题转向效应界限，为有界结果的析因实验提供较弱假设下的分析。
- 阅读关注点
- 应核对依从者群体和目标效应如何定义、哪些不依从假设被放宽，以及界限的计算方式、尖锐性和实际信息含量。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未列明较温和假设、界限公式或尖锐性结论，不能补充这些性质。
原文摘要
Factorial experiments are ubiquitous in the social and biomedical sciences, but when units fail to comply with each assigned factors, identification and estimation of the average treatment effects become impossible without strong assumptions. Leveraging an instrumental variables approach, previous studies have shown how to identify and estimate the causal effect of treatment uptake among respondents who comply with treatment. A major caveat is that these identification results rely on strong assumptions on the effect of randomization on treatment uptake. This paper shows how to bound these complier average treatment effects for bounded outcomes under more mild assumptions on non-compliance.