Identification in Multiple Treatment Models under Discrete Variation
离散变动下多处理模型的识别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：摘要直接研究离散工具变量、多处理效应的边际响应及部分识别界限，核心属于因果推断，未明确提出结构估计方法。
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…
离散变动下多处理模型的识别
- 研究问题
- 当工具变量只有离散变动，且多处理选择模型含多维未观测异质性时，如何获得处理效应参数的尖锐界限？
- 方法与思路
- 作者以边际处理效应为基础，允许一般阈值交叉选择模型；在选择结构可识别至有限维参数的设定下，采用两步计算求界。
- 材料陈述的贡献
- 摘要称可在非参数形状限制或参数化响应函数下获得多个效应参数的尖锐界限，并用 Head Start 应用检验既有结论的稳健性。
- 阅读关注点
- 应核对离散工具变量的识别条件、选择结构的有限维未识别部分、形状限制内容，以及两步程序如何保证界限尖锐。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；具体工具变量条件、计算细节和应用结果未说明，不能据此确认政策结论。
原文摘要
We develop a marginal treatment effect based method to learn about causal effects in multiple treatment models with discrete instruments. We allow selection into treatment to be governed by a general class of threshold crossing models that permit multidimensional unobserved heterogeneity. An inherent complication is that the primitives characterizing the selection model are not generally point-identified. Allowing these primitives to be point-identified up to a finite-dimensional parameter, we show how a two-step computational program can be used to obtain sharp bounds for a number of treatment effect parameters when the marginal treatment response functions are allowed to satisfy only nonparametric shape restrictions or are additionally parameterized. We demonstrate the benefits of our method by revisiting Kline and Walters' (2016) empirical analysis of the Head Start program. Our approach relaxes their point-identifying assumptions on the selection model and marginal treatment response functions, allowing us to assess the robustness of their conclusions.