Partial Identification of Policy-Relevant Treatment Effects with Instrumental Variables via Optimal Transport
通过最优传输部分识别工具变量下的政策相关处理效应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。
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：摘要研究工具变量下政策处理效应的部分识别，并明确依托广义 Roy 选择模型，支持因果推断与结构估计方向。
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…
通过最优传输部分识别工具变量下的政策相关处理效应
- 研究问题
- 当工具变量诱导的处理倾向支持有限、政策相关处理效应无法点识别时，如何构造锐界，并对离散或连续工具变量进行估计推断？
- 方法与思路
- 作者在广义 Roy 模型中将部分识别写为受约束条件最优传输，并化简成可分离一维问题；离散工具变量下使用正交得分与 DML。
- 材料陈述的贡献
- 摘要称，化简产生闭式锐界，离散工具变量下可获得根号样本量速率，连续情形有非参数速率；模拟和蚊帐补贴案例中的界更紧。
- 阅读关注点
- 应核对标准 IV 假设之外的约束、政策变化与支持范围、锐界化简条件，以及正交得分、辅助估计和区间推断的适用条件。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；完整识别和正则条件未说明，界更紧的结论仅对应摘要提及的比较。
原文摘要
Policy-Relevant Treatment Effects (PRTEs) are generally not point-identified under standard Instrumental Variable (IV) assumptions when the instrument generates limited support in treatment propensity. We show that PRTE partial identification in the generalized Roy model can instead be formulated as a Constrained Conditional Optimal Transport (CCOT) problem over the joint conditional law of the potential outcome and the latent resistance. The resulting multidimensional CCOT problem reduces analytically to separable one-dimensional OT problems with product costs, yielding sharp closed-form bounds and avoiding direct solution of the original high-dimensional CCOT problem. We also develop estimation and inference procedures for these bounds: for discrete instruments, we use a Double Machine Learning (DML) approach based on Neyman-orthogonal scores that accommodates high-dimensional covariates while achieving the parametric $\sqrt{n}$ rate and asymptotic normality; for continuous instruments, we explicitly characterize the corresponding nonparametric convergence rates. The framework accommodates covariates, discrete and continuous instruments, and extensions to general treatment settings. In simulations and a bed-net subsidy application, the resulting bounds are substantially tighter than the moment-relaxation method.