Endogeneity in Weakly Separable Models without Monotonicity
无需单调性的弱可分模型内生性处理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：摘要研究结构性潜在结果模型中的内生处理效应识别，并列出 Roy 与随机系数模型。
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
无需单调性的弱可分模型内生性处理
- 研究问题
- 在具有二元内生处理的弱可分潜在结果模型中，能否利用完整结果分布识别处理效应，从而免除已有均值方法的单调性要求？
- 方法与思路
- 作者利用整个结果分布的信息开展识别与估计，将方法扩展至多指标情形，并考察 Roy 模型、多项选择和内生随机系数例子。
- 材料陈述的贡献
- 摘要称方法无需单调性，可在若干已有方法失效的模型中识别目标处理效应，并建立所提估计量的一致性和渐近正态性。
- 阅读关注点
- 应核对弱可分性的定义、替代单调性的识别条件，以及完整分布如何提供额外信息，并检查多指标例子与估计步骤。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整识别条件，无需单调性并不意味着无需其他结构限制。
原文摘要
We identify and estimate treatment effects when potential outcomes are weakly separable with a binary endogenous treatment. Vytlacil and Yildiz (2007) proposed an identification strategy that exploits the mean of observed outcomes, but their approach requires a monotonicity condition. In comparison, we exploit full information in the entire outcome distribution, instead of just its mean. As a result, our method does not require monotonicity and is also applicable to general settings with multiple indices. We provide examples where our approach can identify treatment effect parameters of interest whereas existing methods would fail. These include models where potential outcomes depend on multiple unobserved disturbance terms, such as a Roy model, a multinomial choice model, as well as a model with endogenous random coefficients. We establish consistency and asymptotic normality of our estimators.