Estimation and Inference of Extremal Quantile Treatment Effects for Heavy-Tailed Distributions
重尾分布下极端分位数处理效应的估计与推断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：摘要明确研究二元处理的极端分位数因果效应，并以教育对工资的影响为应用。
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…
重尾分布下极端分位数处理效应的估计与推断
- 研究问题
- 二元处理如何影响连续重尾结果的极端分位数，特别是目标分位数超出观测范围时，怎样估计效应并进行统计推断？
- 方法与思路
- 作者结合渐近尾部近似与新的因果 Hill 估计量，估计潜在结果分布的极值指数，进而构造极端分位数处理效应估计。
- 材料陈述的贡献
- 摘要称建立估计量渐近正态性并提出一致方差估计，通过模拟和大学教育对工资极端分位数影响的应用展示方法。
- 阅读关注点
- 应核对因果识别与尾部外推条件、目标分位数的渐近设定，以及极值指数估计误差如何进入效应的方差计算。
- 阅读边界
- 依据 arXiv 2110.06627v3 预印本摘要，不能据此声称已同行评审或期刊接收；摘要未说明识别假设、尾部条件及具体应用结果。
原文摘要
Causal inference for extreme events has many potential applications in fields such as climate science, medicine and economics. We study the extremal quantile treatment effect of a binary treatment on a continuous, heavy-tailed outcome. Existing methods are limited to the case where the quantile of interest is within the range of the observations. For applications in risk assessment, however, the most relevant cases relate to extremal quantiles that go beyond the data range. We introduce an estimator of the extremal quantile treatment effect that relies on asymptotic tail approximation, and use a new causal Hill estimator for the extreme value indices of potential outcome distributions. We establish asymptotic normality of the estimators and propose a consistent variance estimator to achieve valid statistical inference. We illustrate the performance of our method in simulation studies, and apply it to a real data set to estimate the extremal quantile treatment effect of college education on wage.