Heterogeneous treatment effect bounds under sample selection with an application to the effects of social media on political polarization
样本选择下的异质处理效应界：社交媒体与政治极化应用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：摘要直接研究处理影响观测选择时的异质因果效应界，并重析随机现场实验。
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
样本选择下的异质处理效应界：社交媒体与政治极化应用
- 研究问题
- 当处理本身影响结果是否被观察到，且没有排除限制可用时，如何按政策相关的处理前变量估计异质因果效应界并进行推断？
- 方法与思路
- 作者采用灵活的去偏或双重机器学习估计条件效应界，容纳非线性和高维混杂变量，并构造错设稳健区间与一致置信带。
- 材料陈述的贡献
- 摘要称，方法提供条件效应界的估计与推断；重析存在流失的 Facebook 实验后，得到更紧的界，并提示年轻用户的去极化效应。
- 阅读关注点
- 应核对样本选择与因果识别条件、界的定义、高层条件如何验证，以及错设稳健性的范围和年轻用户结论的统计依据。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；具体假设、界宽度和显著性未说明，更紧的界及年龄差异属于该应用陈述，不能直接外推。
原文摘要
We propose a method for estimation and inference for bounds for heterogeneous causal effect parameters in general sample selection models where the treatment can affect whether an outcome is observed and no exclusion restrictions are available. The method provides conditional effect bounds as functions of policy relevant pre-treatment variables. It allows for conducting valid statistical inference on the unidentified conditional effects. We use a flexible debiased/double machine learning approach that can accommodate non-linear functional forms and high-dimensional confounders. Easily verifiable high-level conditions for estimation, misspecification robust confidence intervals, and uniform confidence bands are provided as well. We re-analyze data from a large scale field experiment on Facebook on counter-attitudinal news subscription with attrition. Our method yields substantially tighter effect bounds compared to conventional methods and suggests depolarization effects for younger users.