Efficient estimation of longitudinal treatment effects using difference-in-differences and machine learning
利用双重差分与机器学习高效估计纵向处理效应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：摘要明确结合纵向处理、双重差分、历史条件平行趋势与干预潜在结果估计。
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…
利用双重差分与机器学习高效估计纵向处理效应
- 研究问题
- 在处理和协变量随时间变化的情形下，如何基于平行趋势识别并估计所有人接受指定干预时的平均潜在结果，而非仅研究处理路径条件下的效应？
- 方法与思路
- 作者基于有效影响函数构造多重稳健且有效的估计量，并推导使用机器学习的条件；平行趋势可条件于可能受既往处理影响的时变协变量历史。
- 材料陈述的贡献
- 摘要称，方法降低了既有参数模型正确设定的依赖，并能调整受既往处理影响的时变协变量；模拟及美国假想最低工资干预应用展示其用途。
- 阅读关注点
- 应核对干预的定义、历史条件平行趋势与识别推导、多重稳健的模型组合，以及机器学习误差条件和有效性结论适用的统计模型。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未列出完整识别与收敛条件，也未给出应用效应数值，无法判断具体政策结论的可信程度。
原文摘要
Difference-in-differences is based on a parallel trends assumption, which states that changes over time in average potential outcomes are independent of treatment assignment, possibly conditional on covariates. With time-varying treatments, parallel trends assumptions can identify many types of parameters, but most work has focused on group-time average treatment effects and similar parameters conditional on the treatment trajectory. This paper focuses instead on identification and estimation of the intervention-specific mean - the mean potential outcome had everyone been exposed to a proposed intervention - which may be directly policy-relevant in some settings. Previous estimators for this parameter under parallel trends have relied on correctly-specified parametric models, which may be difficult to guarantee in applications. We develop multiply-robust and efficient estimators of the intervention-specific mean based on the efficient influence function, and derive conditions under which data-adaptive machine learning methods can be used to relax modeling assumptions. Our approach allows the parallel trends assumption to be conditional on the history of time-varying covariates, thus allowing for adjustment for time-varying covariates possibly impacted by prior treatments. Simulation results support the use of the proposed methods at modest sample sizes. As an example, we estimate the effect of a hypothetical federal minimum wage increase on self-rated health in the US.