Generalizing Trimming Bounds for Endogenously Missing Outcome Data Using Random Forests
利用随机森林推广内生缺失结果数据的修剪界限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：摘要直接讨论内生结果缺失下处理效应的部分识别、修剪界限与推断。
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
利用随机森林推广内生缺失结果数据的修剪界限
- 研究问题
- 当结果仅对选择参与某项活动的个体可见、随机处理分配仍不足以点识别效应时，如何获得更有信息的非参数界限？
- 方法与思路
- 作者使用广义随机森林调整潜在的大量协变量，以收窄处理效应的非参数修剪界限，并开展模拟和两项复现研究。
- 材料陈述的贡献
- 摘要提出协变量调整的界限估计方法，声称兼顾灵活的数据生成过程与诚实推断，并以模拟和复现展示界限收窄的收益。
- 阅读关注点
- 应核对修剪界限依赖的选择限制、协变量调整为何有效，以及森林诚实性、界限端点推断和覆盖目标的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明完整识别限制或收窄幅度，非参数建模仍不能免除识别假设。
原文摘要
In many experimental or quasi-experimental studies, outcomes of interest are only observed for subjects who select (or are selected) to engage in the activity generating the outcome. Outcome data is thus endogenously missing for units who do not engage, in which case random or conditionally random treatment assignment prior to such choices is insufficient to point identify treatment effects. Non-parametric partial identification bounds are a way to address endogenous missingness without having to make disputable parametric assumptions. Basic bounding approaches often yield bounds that are very wide and therefore minimally informative. We present methods for narrowing non-parametric bounds on treatment effects by adjusting for potentially large numbers of covariates, working with generalized random forests. Our approach allows for agnosticism about the data-generating process and honest inference. We use a simulation study and two replication exercises to demonstrate the benefits of our approach.