Researchers using instrumental variables to investigate the effects of ordered treatments (e.g., years of education, months of healthcare coverage) often recode treatment into a binary indicator for any exposure (e.g., any college, any healthcare coverage). The resulting estimand is difficult to interpret unless the instruments only shift compliers from no treatment to some positive quantity and not from some treatment to more -- i.e., there are extensive margin compliers only (EMCO). When EMCO holds, recoded endogenous variables capture a weighted average of treatment effects across complier groups that can be partially unbundled into each group's treated and untreated means. Invoking EMCO along with the standard Local Average Treatment Effect assumptions is equivalent to assuming choices are determined by a simple two-factor selection model in which agents first decide whether to participate in treatment at all and then decide how much. The instruments must only impact relative utility in the first step. Although EMCO constrains unobserved counterfactual choices, it places testable restrictions on the joint distribution of outcomes, treatments, and instruments.


翻译:使用工具变量来调查定购治疗的效果的研究人员(例如,受教育年数、保健覆盖月数)经常将治疗重新编码为任何接触的二元指标(例如,任何大学、任何保健覆盖),由此产生的估计值很难解释,除非仪器仅将遵守者从不治疗转向某种积极数量,而不是从某种治疗转向更多的治疗 -- -- 即,只有广泛的差值遵守者(EMCO),当EMCO持有时,重新编码的内生变量能够捕捉到各遵守者群体之间治疗效果的加权平均值,这些效应可以部分地分解到每个群体的治疗和未处理手段中,援引EMCO和标准地方平均治疗效果假设相当于假设选择由简单的两个因素选择模式确定,在这种模式中,代理者首先决定是否参加治疗,然后决定多少。这些工具只能对第一步的相对效用产生影响。虽然EMCO限制未观测到的反事实选择,但它对结果、治疗和工具的联合分配设置了可检验的限制。

0
下载
关闭预览

相关内容

绿色制造标准化白皮书(2021版),48页pdf
专知会员服务
32+阅读 · 2021年11月10日
专知会员服务
57+阅读 · 2021年9月23日
【干货书】开放数据结构,Open Data Structures,337页pdf
专知会员服务
16+阅读 · 2021年9月17日
【2020新书】Python文本分析,104页pdf
专知会员服务
98+阅读 · 2020年12月23日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
The Price of Majority Support
Arxiv
0+阅读 · 2022年1月28日
Arxiv
5+阅读 · 2020年12月10日
VIP会员
相关VIP内容
绿色制造标准化白皮书(2021版),48页pdf
专知会员服务
32+阅读 · 2021年11月10日
专知会员服务
57+阅读 · 2021年9月23日
【干货书】开放数据结构,Open Data Structures,337页pdf
专知会员服务
16+阅读 · 2021年9月17日
【2020新书】Python文本分析,104页pdf
专知会员服务
98+阅读 · 2020年12月23日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员