主讲人：
解海天，北京大学光华管理学院助理教授
主持老师：
（北大国发院）沈艳
参与老师：
（北大经院）王一鸣、王熙、刘蕴霆、王法、李少然、巩爱博
（北大国发院）黄卓、张俊妮、常晋源
时间：
2026年5月22日（周五）
10：00-11:30
地点（线下）：
北京大学国家发展研究院承泽园132教室
主讲人简介：
解海天，现任北京大学光华管理学院商务统计与经济计量系助理教授、博士生导师。2023年于加州大学圣地亚哥分校获得经济学博士学位，本科毕业于武汉大学。主要研究方向为经济学中的因果推断方法，包括工具变量、双重差分、断点回归、合成控制以及政策学习等。研究成果发表于Journal of Business & Economic Statistics、Journal of Econometrics、Theoretical Economics、《数量经济技术经济研究》等期刊。主持国家自然科学基金青年基金项目（C类），参与国家自然科学基金面上项目、重大项目。
报告摘要：
We introduce a flexible generative learning framework to characterize the sharp identified set of causal parameters in instrumental variable models with heterogeneous treatment effects. The problem is framed as an inference task on whether a candidate parameter value can be produced by a generative model whose implied distribution is observationally indistinguishable from the observed data. We establish sharp identification, uniform size control, and consistency of the proposed procedure. The method accommodates a wide range of identification assumptions, does not rely on instrumental variable monotonicity or convexity of the space of heterogeneous treatment effect distributions, and applies to both discrete and continuous data. We use reproducing kernel Hilbert space methods to reduce computation and implement the generative model using neural networks with PyTorch for efficient optimization. We present empirically calibrated simulations and an empirical application on the returns to college.
