Identifying dynamic spillovers of crime with a causal approach to model selection
以因果模型选择识别犯罪的动态溢出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。
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：摘要直接以外生性检验和模型选择研究犯罪动态溢出的因果识别。
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
以因果模型选择识别犯罪的动态溢出
- 研究问题
- 一个街区当前的犯罪是否导致未来犯罪，尤其轻微犯罪是否引发更严重犯罪，缺少准实验变化时如何识别？
- 方法与思路
- 作者利用外生性检验选择可用于因果推断的回归模型，并分析达拉斯二〇〇〇至二〇〇七年的详细犯罪事件数据。
- 材料陈述的贡献
- 摘要称发现某些犯罪类型内部存在动态溢出证据，但未发现轻微犯罪导致严重犯罪的证据，并提出系统的模型筛选策略。
- 阅读关注点
- 应核对外生性检验的成立条件与检验能力、模型筛选后的推断，以及未发现效应对相关政策解释的实际约束。
- 阅读边界
- 仅据所给出版社摘要，无法确认模型筛选足以消除内生性；未发现证据不等于不存在效应，也不推断版本变化。
原文摘要
Does crime in a neighborhood cause future crime? Without a source of quasi‐experimental variation in local crime, we develop an identification strategy that leverages a recently developed test of exogeneity (Caetano (2015)) to select a feasible regression model for causal inference. Using a detailed incident‐based data set of all reported crimes in Dallas from 2000 to 2007, we find some evidence of dynamic spillovers within certain types of crimes, but no evidence that lighter crimes cause more severe crimes. This suggests that a range of crime reduction policies that target lighter crimes (prescribed, for instance, by the “broken windows” theory of crime) should not be credited with reducing the violent crime rate. Our strategy involves a systematic investigation of endogeneity concerns and is particularly useful when rich data allow for the estimation of many regression models, none of which is agreed upon as causal ex ante.