Heterogeneous coefficients, control variables and identification of multiple treatment effects
异质系数、控制变量与多重处理效应识别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：摘要直接讨论多重处理效应识别，并明确扩展到分布、分位数及受处理者效应。
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…
异质系数、控制变量与多重处理效应识别
- 研究问题
- 在多个处理同时存在系数异质性和内生性时，控制变量能在什么条件下识别平均、分布及分位数处理效应？
- 方法与思路
- 作者采用结果为处理虚拟变量线性组合的异质系数模型，以控制变量推导识别充要条件，并专门分析互斥处理情形。
- 材料陈述的贡献
- 摘要给出互斥处理下的简明条件：控制变量条件下系数均值独立，各广义倾向得分远离零且总和远离一，并扩展至多类效应。
- 阅读关注点
- 应核对控制变量的构造、充要条件对应的参数、互斥处理限制及倾向得分支持条件，并区分平均效应与分布效应所需假设。
- 阅读边界
- 仅据所给Crossref摘要，无法判断控制变量是否可观测或可有效构造；均值独立下的简明条件不能直接套用于所有分布效应。
原文摘要
Summary Multi-dimensional heterogeneity and endogeneity are important features of models with multiple treatments. We consider a heterogeneous coefficients model where the outcome is a linear combination of dummy treatment variables, with each variable representing a different kind of treatment. We use control variables to give necessary and sufficient conditions for identification of average treatment effects. With mutually exclusive treatments we find that, provided the heterogeneous coefficients are mean independent from treatments given the controls, a simple identification condition is that the generalized propensity scores (Imbens, 2000) be bounded away from zero and that their sum be bounded away from one, with probability one. Our analysis extends to distributional and quantile treatment effects, as well as corresponding treatment effects on the treated. These results generalize the classical identification result of Rosenbaum & Rubin (1983) for binary treatments.