Quantifying Omitted Variable Bias in Nonlinear Instrumental Variable Estimators
非线性工具变量估计量的遗漏变量偏差量化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：摘要围绕工具变量处理效应、遗漏变量敏感性分析及部分识别推断展开，直接属于因果推断。
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
非线性工具变量估计量的遗漏变量偏差量化
- 研究问题
- 对于局部平均处理效应、受处理者局部平均处理效应及部分线性工具变量模型，遗漏变量会带来多大偏差？
- 方法与思路
- 作者推导非线性工具变量估计的偏差分解与部分识别界，利用双重机器学习估计偏差界并构造调整后的置信区间。
- 材料陈述的贡献
- 摘要称将敏感性分析扩展到非线性工具变量情形；就业培训应用中，女性项目效应较稳健，男性效应对遗漏变量更敏感。
- 阅读关注点
- 应核对敏感性参数如何约束遗漏变量、工具变量识别条件，以及偏差界估计的正交性、机器学习要求和区间覆盖。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明敏感性参数范围及稳健性阈值，应用结论取决于所设偏差模型。
原文摘要
We develop a framework for quantifying omitted variable bias (OVB) in nonlinear instrumental variable (IV) estimators, including the local average treatment effect (LATE), the LATE for the treated (LATT), and the partially linear IV model (PLIVM). Extending sensitivity analysis beyond linear settings, we derive bias decompositions, establish partial identification bounds, and construct OVB-adjusted confidence intervals. We estimate OVB bounds and conduct inference using double machine learning (DML), allowing flexible control for high-dimensional covariates. An application to the U.S. Job Training Partnership Act (JTPA) experiment shows that, at conventional significance levels, first-stage compliance estimates are robust to omitted variables, whereas intention-to-treat and treatment effects are more sensitive. Program impacts are robust and significant for females but fragile for males.