Sharp bounds in the latent index selection model
潜在指数选择模型中的锐界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：摘要研究政策相关处理效应的部分识别，并利用边际分布和随机序构造锐界。
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…
关注这篇论文的作者
潜在指数选择模型中的锐界
- 研究问题
- 在外生变动不足以点识别政策相关处理效应时，潜在指数选择模型的已识别边际分布能够提供哪些最紧的效应界限？
- 方法与思路
- 作者借助随机序理论，为边际处理效应及其线性泛函推导解析锐界，并将关于分布的辅助假设纳入同一识别框架。
- 材料陈述的贡献
- 摘要称，锐界利用已识别边际分布的全部信息；医保实验应用中，秩相似性与线性均值假设产生的外推预测存在实质差异。
- 阅读关注点
- 核对锐界的可达性证明、边际分布如何约束目标效应，以及秩相似性等辅助假设与线性均值假设各自增加的信息。
- 阅读边界
- 仅据所给 OpenAlex 摘要，具体界限表达式、识别条件和估计推断程序未说明；外推结果不同不能据此判定哪种假设正确。
原文摘要
A fundamental question underlying the literature on partial identification is: what can we learn about parameters that are relevant for policy but not necessarily point-identified by the exogenous variation we observe? This paper provides an answer in terms of sharp, analytic characterizations and bounds for an important class of policy-relevant treatment effects , consisting of marginal treatment effects and linear functionals thereof, in the latent index selection model as formalized in Vytlacil (2002). The sharp bounds use the full content of identified marginal distributions, and analytic derivations rely on the theory of stochastic orders. The proposed methods also make it possible to sharply incorporate new auxiliary assumptions on distributions into the latent index selection framework. Empirically, I apply the methods to study the effects of Medicaid on emergency room utilization in the Oregon Health Insurance Experiment, showing that the predictions from extrapolations based on a distribution assumption (rank similarity) differ substantively and consistently from existing extrapolations based on a parametric mean assumption (linearity). This underscores the value of utilizing the model’s full empirical content in combination with auxiliary assumptions.