Marginal Interventional Effects
边际干预效应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：摘要直接定义政策干预的因果效应，并比较平均处理效应、政策相关效应与工具变量识别，属于因果推断。
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
边际干预效应
- 研究问题
- 当政策仅改变参与边缘附近少量个体的处理状态时，如何定义与识别相应的人均效应，而不局限于全体处理对照的平均效应？
- 方法与思路
- 作者定义干预效应及干预规模趋零时的边际效应，统一相关文献视角，并分别讨论无混杂和工具变量识别以及参数与半参数估计。
- 材料陈述的贡献
- 摘要称，这些效应无需依赖潜在指数模型，且边际效应通常可避开平均处理效应所需的强正值性要求，并提供政策干预示例。
- 阅读关注点
- 应核对干预规模与人均效应的归一化、极限定义，以及无混杂和工具变量两种路径分别需要什么支持、识别与估计条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未完整列出识别条件，减弱强正值性要求也不能理解为无需支持条件。
原文摘要
Conventional causal estimands, such as the average treatment effect (ATE), capture how the mean outcome in a population or subpopulation would change if all units were assigned to treatment versus control. Real-world policy changes, however, are often incremental, changing treatment status for only a small segment of the population -- those at or near the "margin of participation." To formalize this idea, two parallel literatures in economics and in statistics and epidemiology have developed what we call interventional effects. In this article, we unify these perspectives by defining the interventional effect (IE) as the per capita effect of a treatment intervention on an outcome of interest, and the marginal interventional effect (MIE) as its limit when the intervention size approaches zero. The IE and MIE can be viewed as unconditional counterparts of the policy-relevant treatment effect (PRTE) and marginal PRTE (MPRTE) from the economics literature. Unlike the PRTE and MPRTE, however, the IE and MIE are defined without reliance on a latent index model and can be identified either under unconfoundedness or with instrumental variables. For both scenarios, we show that MIEs are typically identified without the strong positivity assumption required of the ATE, highlight several "stylized interventions" that may be particularly relevant for policy analysis, discuss several parametric and semiparametric estimation strategies, and illustrate the proposed methods with an empirical example.