Poorly Measured Confounders are More Useful on the Left than on the Right
测量不准的混杂因素放在回归左侧更有用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：摘要直接讨论工具变量和双重差分等回归设计的识别假设检验，并以教育回报估计为例，因此归入因果推断。
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…
测量不准的混杂因素放在回归左侧更有用
- 研究问题
- 当潜在混杂因素的观测代理存在较大测量误差时，加入控制后核心系数保持稳定是否可靠，怎样更有力地检验回归设计的识别假设？
- 方法与思路
- 作者将测量不准的混杂因素代理变量改作候选回归的因变量，推导相关估计量、检验统计量和功效，并用教育回报估计说明。
- 材料陈述的贡献
- 摘要称，控制变量测量较差时，系数稳定可能掩盖混杂；将该变量置于回归左侧可提供更有力的识别假设检验，并给出功效分析。
- 阅读关注点
- 核对左侧检验对应的识别假设、代理变量测量误差的限制、检验统计量的有效性条件，以及功效比较能否适用于自身的工具变量或双重差分设计。
- 阅读边界
- 摘要未说明测量误差结构、检验成立的具体条件及教育回报示例的细节；更高功效不等于检验通过后即可确认因果识别有效。
原文摘要
Researchers frequently test identifying assumptions in regression-based research designs (which include instrumental variables or difference-in-differences models) by adding additional control variables on the right-hand side of the regression. If such additions do not affect the coefficient of interest (much), a study is presumed to be reliable. We caution that such invariance may result from the fact that the observed variables used in such robustness checks are often poor measures of the potential underlying confounders. In this case, a more powerful test of the identifying assumption is to put the variable on the left-hand side of the candidate regression. We provide derivations for the estimators and test statistics involved, as well as power calculations, which can help applied researchers interpret their findings. We illustrate these results in the context of estimating the returns to schooling.