A Response to Recent Critiques of Hainmueller, Mummolo and Xu (2019) on Estimating Conditional Relationships
回应关于估计条件关系的近期批评：对 Hainmueller、Mummolo 与 Xu（2019）的澄清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：摘要围绕交互效应的因果目标、识别假设及条件因果效应估计展开。
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…
回应关于估计条件关系的近期批评：对 Hainmueller、Mummolo 与 Xu（2019）的澄清
- 研究问题
- 研究交互效应时，处理变量与调节变量的非线性关系如何影响条件边际效应估计，相关批评是否采用了恰当的因果目标与基准？
- 方法与思路
- 作者通过澄清交互效应的因果目标和识别假设，重新讨论批评中的情境，并比较核估计与广义加性模型的适用性。
- 材料陈述的贡献
- 摘要称相关批评存在目标与比较基准问题，原核估计在所讨论情境下可恢复真实因果效应，并提出更新的条件边际效应研究建议。
- 阅读关注点
- 核对双方的目标参数、识别假设和非线性设定，追踪真实效应基准的推导，并检查加入其他协变量后各方法的比较依据。
- 阅读边界
- 这是预印本，同行评审及接收状态未核实。摘要呈现作者回应立场，未给出完整论证，不能据此裁定争议或概括广义加性模型的全部用途。
原文摘要
Simonsohn (2024a) and Simonsohn (2024b) critique Hainmueller, Mummolo and Xu (2019, HMX), arguing that failing to model nonlinear relationships between the treatment and moderator leads to biased marginal effect estimates and uncontrolled Type-I error rates. While these critiques highlight the issue of under-modeling nonlinearity in applied research, they are fundamentally flawed in several key ways. First, the causal estimand for interaction effects and the necessary identifying assumptions are not clearly defined in these critiques. Once properly stated, the critiques no longer hold. Second, the kernel estimator HMX proposes recovers the true causal effects in the scenarios presented in these recent critiques, which compared effects to the wrong benchmark, producing misleading conclusions. Third, while Generalized Additive Models (GAM) can be a useful exploratory tool (as acknowledged in HMX), they are not designed to estimate marginal effects, and better alternatives exist, particularly in the presence of additional covariates. Our response aims to clarify these misconceptions and provide updated recommendations for researchers studying interaction effects through the estimation of conditional marginal effects.