Horowitz-Manski-Lee Bounds with Multilayered Sample Selection
多层样本选择下的 Horowitz–Manski–Lee 界限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：摘要聚焦样本选择下职业培训工资效应的部分识别、Lee 界限及排序效应分解，直接支持因果推断分类。
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…
多层样本选择下的 Horowitz–Manski–Lee 界限
- 研究问题
- 职业培训既影响工资又改变劳动者进入不同企业的排序时，传统 Lee 界限识别的是企业内工资效应，还是混合了跨企业排序效应？
- 方法与思路
- 作者将二元样本选择扩展为多层选择，分解传统 Lee 界限对应的总效应，并利用企业特定工资信息推导企业内培训效应的尖锐界限。
- 材料陈述的贡献
- 摘要称传统界限可能混合企业内效应与企业间工资差异；两项培训实验应用显示，传统界限严格为正时，企业内界限仍可能紧邻零。
- 阅读关注点
- 核对企业内因果目标、总效应分解和尖锐界限的识别条件，以及企业工资同质或培训不改变排序时的政策解释。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明全部选择假设和界限数值，企业内界限邻近零不等于证明效应为零。
原文摘要
This paper investigates the causal effect of job training on wage rates in the presence of firm heterogeneity. When training affects the sorting of workers to firms, sample selection is no longer binary but is ``multilayered". This paper extends the canonical Heckman (1979) sample selection model -- which assumes selection is binary -- to a setting where it is multilayered. In this setting Lee bounds set identifies a total effect that combines a weighted-average of the causal effect of job training on wage rates across firms with a weighted-average of the contrast in wages between different firms for a fixed level of training. Thus, Lee bounds set identifies a policy-relevant estimand only when firms pay homogeneous wages and/or when job training does not affect worker sorting across firms. We derive analytic expressions for sharp bounds for the causal effect of job training on wage rates at each firm that leverage information on firm-specific wages. We illustrate our partial identification approach with two empirical applications to job training experiments. Our estimates demonstrate that even when conventional Lee bounds are strictly positive, our within-firm bounds can be tight around 0, showing that the canonical Lee bounds may capture only a pure sorting effect of job training.