Dynamic Causal Effects in a Nonlinear World: the Good, the Bad, and the Ugly
非线性世界中的动态因果效应：良好、不佳与棘手的情形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：摘要研究向量自回归和局部投影的动态因果解释，并明确提出边际处理效应的加权回归识别结果。
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
非线性世界中的动态因果效应：良好、不佳与棘手的情形
- 研究问题
- 当真实数据生成过程非线性时，基于线性模型的冲击响应估计对象是否仍具有因果解释，不同识别方法的稳健性有何差异？
- 方法与思路
- 作者利用加权回归识别边际处理效应的新结果，分析向量自回归及对观测冲击或代理变量的线性局部投影所对应的估计对象。
- 材料陈述的贡献
- 摘要称，上述程序可识别因果效应的加权平均，而利用潜在冲击异方差或非高斯性的识别方法对偏离线性高度敏感。
- 阅读关注点
- 应核对因果效应及权重的定义、相关识别条件，以及异方差和非高斯识别对非线性敏感的具体机制与适用边界。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能把非线性稳健性理解为无需其他假设；具体条件、权重符号与刊本变化均未说明。
原文摘要
Applied macroeconomists frequently use impulse response estimators motivated by linear models. We study whether the estimands of such procedures have a causal interpretation when the data generating process is in fact nonlinear. We show that vector autoregressions and linear local projections onto observed shocks or proxies identify weighted averages of causal effects regardless of the extent of nonlinearities. By contrast, identification approaches that exploit heteroscedasticity or non-Gaussianity of latent shocks are highly sensitive to departures from linearity. Our analysis is based on new results on the identification of marginal treatment effects through weighted regressions, which may also be of interest to researchers outside macroeconomics.