Bounding treatment effects by pooling limited information across observations
通过有限跨观测信息汇集界定处理效应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：摘要直接研究无混杂条件下平均处理效应的部分识别界限与推断。
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
通过有限跨观测信息汇集界定处理效应
- 研究问题
- 无混杂假设下，当协变量取值繁多或重叠条件不成立时，如何用有限跨观测信息汇集构造平均处理效应的稳健界限？
- 方法与思路
- 作者以观测结果函数的样本均值构造界限，限制每项贡献依赖的处理状态数量，并研究不汇集与完全汇集之间的情形。
- 材料陈述的贡献
- 摘要称，方法连接 Manski 界限与标准逆倾向得分加权，提供中间汇集程度的界限及推断，并用模拟和两项应用展示表现。
- 阅读关注点
- 应核对平均效应与已处理者平均效应的目标区别、汇集程度如何决定界限宽度，以及重叠失效时的有效推断条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断界限是否尖锐、信息性程度或具体推断条件；稳健性仍依赖文中所述无混杂假设。
原文摘要
We provide novel bounds on average treatment effects (on the treated) that are valid under an unconfoundedness assumption. Our bounds are designed to be robust in challenging situations, for example, when the conditioning variables take on a large number of different values in the observed sample, or when the overlap condition is violated. This robustness is achieved by only using limited "pooling" of information across observations. Namely, the bounds are constructed as sample averages over functions of the observed outcomes such that the contribution of each outcome only depends on the treatment status of a limited number of observations. No information pooling across observations leads to so-called "Manski bounds", while unlimited information pooling leads to standard inverse propensity score weighting. We explore the intermediate range between these two extremes and provide corresponding inference methods. We show in Monte Carlo experiments and through two empirical application that our bounds are indeed robust and informative in practice.