Identifying Causal Effects of Discrete, Ordered and ContinuousTreatments using Multiple Instrumental Variables
利用多个工具变量识别离散、有序及连续处理的因果效应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：摘要以多工具变量识别内生处理的因果效应为核心，并应用于教育回报和女性劳动市场结果，直接对应因果推断。
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…
关注这篇论文的作者
利用多个工具变量识别离散、有序及连续处理的因果效应
- 研究问题
- 面对内生性，多个二元工具变量如何识别不同类型处理的因果效应，并使目标参数具有明确解释和正权重结构？
- 方法与思路
- 作者在一种单调性假设下建立识别结果，结合因果机器学习估计目标参数、检测局部单调性违背，并开展教育和生育应用。
- 材料陈述的贡献
- 摘要称，提出具有正权重解释的新因果参数，覆盖离散、有序及连续处理，同时给出估计与局部假设违背检测方法。
- 阅读关注点
- 应核对新参数对应的人群与权重、单调性相较常见条件的具体差异，以及局部违背检测的能力、推断条件和应用设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未给出单调性形式和完整工具变量条件，不能据此判断应用识别可信度。
原文摘要
Inferring causal relationships from observational data is often challenging due to endogeneity. This paper provides new identification results for causal effects of discrete, ordered and continuous treatments using multiple binary instruments. The key contribution is the identification of a new causal parameter that has a straightforward interpretation with a positive weighting scheme and is applicable in many settings due to a mild monotonicity assumption. This paper further leverages recent advances in causal machine learning for both estimation and the detection of local violations of the underlying monotonicity assumption. The methodology is applied to estimate the returns to education and assess the impact of having an additional child on female labor market outcomes.