Efficient Covariate Balancing for the Local Average Treatment Effect
局部平均处理效应的高效协变量平衡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：摘要围绕二元工具变量、双向不依从及局部平均处理效应设计平衡估计，并讨论效率和双重稳健性，直接对应因果推断。
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
局部平均处理效应的高效协变量平衡
- 研究问题
- 在二元工具变量且存在双向不依从时，如何通过有限样本中的精确协变量平衡估计局部平均处理效应，并降低偏差和方差？
- 方法与思路
- 作者用逆概率同时加权处理与结果信息，在工具变量组间施加精确有限样本平衡，并定制工具倾向得分损失以实现权重归一化。
- 材料陈述的贡献
- 摘要称给出渐近正态性与半参数效率条件，提出借助处理选择信息减偏和双重稳健扩展；模拟显示较常规逆概率加权更低偏差与方差。
- 阅读关注点
- 核对局部平均处理效应的识别条件、工具倾向得分损失如何实现精确平衡，以及效率结论和双重稳健扩展各自所需条件。
- 阅读边界
- 摘要未列出工具变量识别、渐近正态性及效率所需的具体条件，也未说明双重稳健性的模型组合；有限样本改善需结合设计核查。
原文摘要
This article develops an empirical balancing approach for the estimation of treatment effects under two-sided noncompliance using a binary instrumental variable. The method weighs both treatment and outcome information with inverse probabilities to impose exact finite sample balance across instrument level groups. It is free of functional form assumptions on the outcome or the treatment selection step. By tailoring the loss function for the instrument propensity scores, the resulting treatment effect estimates are automatically weight normalized and exhibit both low bias and reduced variance in finite samples compared to conventional inverse probability weighting methods. We provide conditions for asymptotic normality and semiparametric efficiency and demonstrate how to use additional information about the treatment selection step for bias reduction in finite samples. A doubly robust extension is proposed as well. Monte Carlo simulations suggest that the theoretical advantages translate well to finite samples. The method is illustrated in an empirical example.