Identifying the average treatment effect in ordered treatment models without unconfoundedness
无处理无混杂性条件下有序处理模型的平均处理效应识别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：摘要直接研究平均处理效应的识别，并明确处理由潜变量门槛形成的有序选择机制决定，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
无处理无混杂性条件下有序处理模型的平均处理效应识别
- 研究问题
- 当处理由含连续工具变量的潜变量跨越多个门槛决定，且无混杂性与对受处理者的无穷远识别均不成立时，能否识别ATE？
- 方法与思路
- 作者在横截面或面板的有序选择处理模型中，利用连续工具变量与潜变量门槛结构，研究ATE的非参数点识别及估计。
- 材料陈述的贡献
- 摘要称不限制潜在误差和潜在结果的函数形式仍可点识别ATE；美国数据应用未发现竞争与创新之间的倒U形关系。
- 阅读关注点
- 应核对工具变量的有效性与支持条件、门槛结构及ATE识别步骤，并检查应用如何定义有序处理和估计竞争效应。
- 阅读边界
- 仅据所给出版社摘要，其他关键识别条件未说明；不能将无需无混杂性解释为无需任何限制，也不能外推美国应用结论。
原文摘要
We show identification of the Average Treatment Effect (ATE) when treatment is specified by ordered choice in cross section or panel models. Treatment is determined by location of a latent variable (containing a continuous instrument) relative to two or more thresholds. We place no functional form restrictions on latent errors and potential outcomes. Unconfoundedness of treatment does not hold and identification at infinity for the treated is not possible. Yet we still show nonparametric point identification and estimation of the ATE. We apply our model to reinvestigate the inverted-U relationship between competition and innovation, and find no inverted-U in US data.