Program Evaluation and Causal Inference with High-Dimensional Data
高维数据下的项目评估与因果推断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。
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：摘要直接研究平均与局部处理效应，并包括分位数处理效应和函数型结果的推断。
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…
高维数据下的项目评估与因果推断
- 研究问题
- 在控制变量众多、处理接受可能内生且效应异质的环境中，如何估计平均、局部平均及分位数处理效应，并构造诚实置信带？
- 方法与思路
- 作者假设关键约化式预测关系近似稀疏，使用正则化与变量选择估计这些关系，再利用正交或双重稳健矩条件开展后续推断。
- 材料陈述的贡献
- 摘要称为多类处理效应提供有效率估计与跨模型一致有效的置信带，并以 401(k) 资格及参与对资产积累的影响说明方法。
- 阅读关注点
- 应核对内生处理情形的识别条件、近似稀疏度和维度限制，正交矩的构造，以及效率和诚实置信带分别适用哪些参数。
- 阅读边界
- 所给版本为 arXiv 预印本，不能认定已同行评审或接收；摘要未列完整识别与正则条件，双重稳健性也不能消除所有模型误设。
原文摘要
In this paper, we provide efficient estimators and honest confidence bands for a variety of treatment effects including local average (LATE) and local quantile treatment effects (LQTE) in data-rich environments. We can handle very many control variables, endogenous receipt of treatment, heterogeneous treatment effects, and function-valued outcomes. Our framework covers the special case of exogenous receipt of treatment, either conditional on controls or unconditionally as in randomized control trials. In the latter case, our approach produces efficient estimators and honest bands for (functional) average treatment effects (ATE) and quantile treatment effects (QTE). To make informative inference possible, we assume that key reduced form predictive relationships are approximately sparse. This assumption allows the use of regularization and selection methods to estimate those relations, and we provide methods for post-regularization and post-selection inference that are uniformly valid (honest) across a wide-range of models. We show that a key ingredient enabling honest inference is the use of orthogonal or doubly robust moment conditions in estimating certain reduced form functional parameters. We illustrate the use of the proposed methods with an application to estimating the effect of 401(k) eligibility and participation on accumulated assets.