Two-stage differences in differences
两阶段双重差分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：摘要研究分期处理的双重差分因果效应，并利用群体与时期效应组织跨组跨期估计。
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…
关注这篇论文的作者
两阶段双重差分
- 研究问题
- 当处理分期实施且效应随群体和时间变化时，如何解释传统双重差分回归的局限，并估计具有明确含义的平均处理效应？
- 方法与思路
- 作者先用未处理观测识别群体与时期效应，再剔除这些成分，通过比较处理与未处理结果估计不同平均处理效应。
- 材料陈述的贡献
- 摘要称两阶段方法可应对分期实施下的效应异质性，给出理论性质，并通过蒙特卡洛与既有文献实例展示适用性。
- 阅读关注点
- 应核对两阶段对应的目标参数、未处理观测的支持范围、识别假设，以及第一阶段估计误差如何进入第二阶段推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整识别与推断条件，不能把异质性稳健理解为无需假设。
原文摘要
A recent literature has shown that when adoption of a treatment is staggered and average treatment effects vary across groups and over time, difference-in-differences regression does not identify an easily interpretable measure of the typical effect of the treatment. In this paper, I extend this literature in two ways. First, I provide some simple underlying intuition for why difference-in-differences regression does not identify a group$\times$period average treatment effect. Second, I propose an alternative two-stage estimation framework, motivated by this intuition. In this framework, group and period effects are identified in a first stage from the sample of untreated observations, and average treatment effects are identified in a second stage by comparing treated and untreated outcomes, after removing these group and period effects. The two-stage approach is robust to treatment-effect heterogeneity under staggered adoption, and can be used to identify a host of different average treatment effect measures. It is also simple, intuitive, and easy to implement. I establish the theoretical properties of the two-stage approach and demonstrate its effectiveness and applicability using Monte-Carlo evidence and an example from the literature.