Partial identification by extending subdistributions
通过扩展子分布实现部分识别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：摘要明确以平均处理效应为目标参数，并应用于单变量和双变量二元响应模型，因此对应因果推断与离散选择。
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
通过扩展子分布实现部分识别
- 研究问题
- 如何直接刻画目标参数的尖锐识别集，而无需先识别整个模型，并允许未观测变量的联合分布保持非参数形式？
- 方法与思路
- 作者通过线性方程组检验能否存在生成观测分布的容许联合分布，并推广子 copula 的可扩展性结果以证明识别集的尖锐性。
- 材料陈述的贡献
- 摘要称，PIES 方法可容纳位置、形状和条件独立限制；在单变量及双变量二元响应模型中，得到平均处理效应尖锐集的刻画。
- 阅读关注点
- 应核对线性系统如何编码观测信息与分布限制、子分布扩展证明，以及目标参数尖锐集与整个模型识别集的关系。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断适用模型的完整范围、连续情形的计算方式或复杂度；具体限制和证明细节未说明。
原文摘要
I show that sharp identified sets in a large class of econometric models can be characterized by solving linear systems of equations. These linear systems determine whether, for a given value of a parameter of interest, there exists an admissible joint distribution of unobservables that can generate the distribution of the observed variables. The joint distribution of unobservables is not required to satisfy any parametric restrictions, but can (if desired) be assumed to satisfy a variety of location, shape, and/or conditional independence restrictions. To prove sharpness of the characterization, I generalize a classic result in copula theory concerning the extendibility of subcopulas to show that related objects—termed subdistributions—can be extended to proper distribution functions. I describe this characterization argument as partial identification by extending subdistributions, or PIES. One particularly attractive feature of PIES is that it focuses directly on the sharp identified set for a parameter of interest, such as an average treatment effect, without needing to construct the identified set for the entire model. I apply PIES to univariate and bivariate binary response models. A notable product of the analysis is a method for characterizing the sharp identified set for the average treatment effect in Manski's ( , , ) semiparametric binary response model.