稳健化并收紧 Lee 边界：随机单调性与对称性假设下的样本选择模型
计量经济学
2025-01-07 v4
摘要
在存在样本选择的情况下，Lee (2009) 的非参数边界是估计处理效应的常用工具。然而，Lee 边界依赖于单调性假设，其经验有效性有时并不明确。此外，即便在单调性下，这些边界也常被认为较宽且信息量不足。为解决这些问题，本研究引入了单调性假设的随机版本以及非参数分布形状约束。前者增强了 Lee 边界相对于单调性的稳健性，而后者有助于收紧这些边界。所得边界不依赖于排除限制，且可根- 一致估计，使其具有实际可行性。所提方法的潜在效用通过应用于 Muralidharan、Singh 和 Ganimian (2019) 研究的课后辅导项目的实验数据得以说明。
引用
@article{arxiv.2311.00439,
title = {Robustify and Tighten the Lee Bounds: A Sample Selection Model under Stochastic Monotonicity and Symmetry Assumptions},
author = {Yuta Okamoto},
journal= {arXiv preprint arXiv:2311.00439},
year = {2025}
}