Generalized Lee bounds
广义 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。
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：摘要直接研究选择偏差下平均因果效应的界限识别及其推断。
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
广义 Lee 界限
- 研究问题
- 存在结果选择偏差时，若处理对选择的影响方向因人而异，如何利用处理前协变量放松单调性并界定平均因果效应？
- 方法与思路
- 作者以协变量决定选择效应的方向，将无条件单调性改为条件单调性，并研究低维平滑、高维稀疏及多结果情形。
- 材料陈述的贡献
- 摘要称建立广义 Lee 界限的渐近理论，并在 JobCorps 培训项目中说明无条件单调性可能不成立及协变量收紧界限的用途。
- 阅读关注点
- 应核对条件单调性的具体定义、选择效应方向的识别方式，以及高维协变量估计和多结果处理如何影响界限推断。
- 阅读边界
- 仅据所给出版社摘要，无法判断条件单调性在应用中的可信度、界限宽度或覆盖表现，不能把区间识别理解为点识别。
原文摘要
Lee (2009) is a common approach to bound the average causal effect in the presence of selection bias, assuming the treatment effect on selection has the same sign for all subjects. This paper generalizes Lee bounds to allow the sign of this effect to be identified by pretreatment covariates, relaxing the standard (unconditional) monotonicity to its conditional analog. Asymptotic theory for generalized Lee bounds is proposed in low-dimensional smooth and high-dimensional sparse designs. The paper also generalizes Lee bounds to accommodate multiple outcomes. Focusing on JobCorps job training program, I first show that unconditional monotonicity is unlikely to hold, and then demonstrate the use of covariates to tighten the bounds.