Testing the Unconfoundedness Assumption via Inverse Probability Weighted Estimators of (L)ATT
基于（局部）处理组平均处理效应逆概率加权估计的无混杂检验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：摘要明确讨论工具变量下的局部处理效应、处理组平均处理效应及条件无混杂检验，直接属于因果推断方向。
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…
基于（局部）处理组平均处理效应逆概率加权估计的无混杂检验
- 研究问题
- 在含协变量的工具变量框架中，如何估计局部处理效应，并在单侧不依从条件下检验给定可观测变量后的无混杂假设？
- 方法与思路
- 作者提出 LATE 与 LATT 的逆概率加权估计，并利用单侧不依从下 LATT 等于 ATT，构造 Durbin–Wu–Hausman 型无混杂检验。
- 材料陈述的贡献
- 摘要称估计量渐近正态且有效；模拟显示，无混杂带来的部分 ATT 效率增益在预检验后仍能保留，并给出美国培训项目应用。
- 阅读关注点
- 核对工具变量假设与协变量条件、权重的估计方式和效率基准，并关注预检验后的 ATT 推断及培训项目应用的具体实现。
- 阅读边界
- 摘要未列出工具变量有效性、单侧不依从及倾向得分的具体条件；该检验对无混杂的判断依赖这些前提，不能作为一般性验证。
原文摘要
We propose inverse probability weighted estimators for the local average treatment effect (LATE) and the local average treatment effect for the treated (LATT) under instrumental variable assumptions with covariates. We show that these estimators are asymptotically normal and efficient. When the (binary) instrument satisfies one-sided noncompliance, we propose a Durbin–Wu–Hausman-type test of whether treatment assignment is unconfounded conditional on some observables. The test is based on the fact that under one-sided noncompliance LATT coincides with the average treatment effect for the treated (ATT). We conduct Monte Carlo simulations to demonstrate, among other things, that part of the theoretical efficiency gain afforded by unconfoundedness in estimating ATT survives pretesting. We illustrate the implementation of the test on data from training programs administered under the Job Training Partnership Act in the United States. This article has online supplementary material.