A General Approach to Relaxing Unconfoundedness
放宽无混杂性假设的一般方法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：摘要直接讨论无混杂性敏感性分析，并明确给出分位数处理效应和处理效应分布的锐界。
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…
放宽无混杂性假设的一般方法
- 研究问题
- 如何统一描述无混杂性假设的不同放宽方式，并在允许未观测混杂时，为平均效应之外的分位数效应和个体效应分布确定识别界限？
- 方法与思路
- 作者定义包含既有敏感性模型的一般放宽类别，利用该框架比较不同限制，并推导一大类处理效应参数的识别结果与锐界。
- 材料陈述的贡献
- 摘要称该框架包含边际敏感性模型，且给出分位数处理效应与处理效应分布的锐界，将既有主要针对平均参数的结果扩展至分布层面。
- 阅读关注点
- 应核对放宽类别的定义及模型间包含关系、敏感性参数的解释，以及锐界的可达性证明，尤其区分分位数效应与个体效应分布。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明具体限制、支持条件及计算方法，不能判断界限在实际数据中的信息量。
原文摘要
This paper defines a general class of relaxations of the unconfoundedness assumption. This class includes several previous approaches as special cases, including the marginal sensitivity model of Tan (2006). This class therefore allows us to precisely compare and contrast these previously disparate relaxations. We use this class to derive a variety of new identification results which can be used to assess sensitivity to unconfoundedness. In particular, the prior literature focuses on average parameters, like the average treatment effect (ATE). We move beyond averages by providing sharp bounds for a large class of parameters, including both the quantile treatment effect (QTE) and the distribution of treatment effects (DTE), results which were previously unknown even for the marginal sensitivity model.