Unobserved Heterogeneous Spillover Effects in Instrumental Variable Models
工具变量模型中不可观测的异质溢出效应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：摘要研究同伴干扰下的工具变量因果识别，并应用于好友网络中的教育溢出。
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
工具变量模型中不可观测的异质溢出效应
- 研究问题
- 当同伴同时影响结果与内生处理选择时，如何识别异质直接效应和溢出效应，并将这些效应用于政策评估？
- 方法与思路
- 作者扩展局部平均与边际处理效应框架，提出受控直接及溢出效应，研究工具变量识别并构造半参数与参数估计量。
- 材料陈述的贡献
- 摘要称，框架提供点识别充分条件，以连续工具变量识别边际效应，并在 Add Health 好友网络中发现教育溢出异质性。
- 阅读关注点
- 应核对受控效应的干预含义、已知群组的作用，以及二元与连续工具变量条件如何支持点识别和政策效应聚合。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未列完整识别条件，也未报告教育溢出的具体估计结果。
原文摘要
This paper develops a general framework for identifying causal effects in settings with spillovers, where both outcomes and endogenous treatment decisions are influenced by peers within a known group. It introduces the generalized local average controlled spillover and direct effects (LACSEs and LACDEs), which extend the local average treatment effect framework to settings with spillovers and establish sufficient conditions for their point identification without restricting the cardinality of the support of instrumental variables. These conditions clarify the necessity of commonly imposed restrictions to achieve point identification with binary instruments in related studies. The paper then defines the marginal controlled spillover and direct effects (MCSEs and MCDEs), which naturally extend the marginal treatment effect framework to settings with spillovers and are nonparametrically point identified from continuous variation in instruments. These marginal effects serve as building blocks for a broad class of policy-relevant treatment effects, including some causal spillover parameters in the related literature. Semiparametric and parametric estimators are developed, and an application using Add Health data reveals heterogeneity in education spillovers within best-friend networks.