Robustify and Tighten the Lee Bounds: A Sample Selection Model under Stochastic Monotonicity and Symmetry Assumptions
增强 Lee 界的稳健性并收紧区间：随机单调性与对称性下的样本选择模型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：摘要研究样本选择下处理效应的部分识别及 Lee 界的改进。
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
增强 Lee 界的稳健性并收紧区间：随机单调性与对称性下的样本选择模型
- 研究问题
- 存在样本选择时，能否放宽 Lee 界所依赖的单调性，并通过额外分布形状限制提高界的稳健性与信息含量？
- 方法与思路
- 作者引入随机版本的单调性和非参数分布形状约束，分别用于放宽原有单调性要求与收紧处理效应界，并以课后教学实验展示应用。
- 材料陈述的贡献
- 摘要称，所得界不依赖排除限制，并可达到根号样本量级的一致估计；方法旨在兼顾对单调性偏离的稳健性和界的宽度。
- 阅读关注点
- 应核对随机单调性与原假设的逻辑关系、对称性约束施加于何种分布，以及目标处理效应、界的有效性和估计率成立条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明形状限制的精确定义、界的表达式及实际收紧幅度。
原文摘要
In the presence of sample selection, Lee's (2009) nonparametric bounds are a popular tool for estimating a treatment effect. However, the Lee bounds rely on the monotonicity assumption, whose empirical validity is sometimes unclear. Furthermore, the bounds are often regarded to be wide and less informative even under monotonicity. To address these issues, this study introduces a stochastic version of the monotonicity assumption alongside a nonparametric distributional shape constraint. The former enhances the robustness of the Lee bounds with respect to monotonicity, while the latter helps tighten these bounds. The obtained bounds do not rely on the exclusion restriction and can be root-$n$ consistently estimable, making them practically viable. The potential usefulness of the proposed methods is illustrated by their application on experimental data from the after-school instruction programme studied by Muralidharan, Singh, and Ganimian (2019).