Machine Learning for Staggered Difference-in-Differences and Dynamic Treatment Effect Heterogeneity
错位实施双重差分中的机器学习与动态处理效应异质性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：摘要明确研究错位实施双重差分与动态处理效应异质性的估计和推断。
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…
错位实施双重差分中的机器学习与动态处理效应异质性
- 研究问题
- 研究政策错位实施时，如何估计随时间变化的受处理者条件平均处理效应，并识别哪些特征驱动处理效应异质性。
- 方法与思路
- 作者结合并扩展两种非参数双重差分方法，利用机器学习估计动态条件处理效应，通过模拟和巴西家庭健康计划应用评估。
- 材料陈述的贡献
- 摘要称模拟中可准确识别异质性的真实预测变量，应用发现贫困和城市群体相较其他群体更早经历政策对婴儿死亡率的影响。
- 阅读关注点
- 应核对错位实施下的比较组和识别条件、动态条件效应的定义，以及机器学习误差、异质性推断与变量筛选的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明具体识别假设、推断保证和数值结果，群体差异仍需全文核验。
原文摘要
We combine two recently proposed nonparametric difference-in-differences methods, extending them to enable the examination of treatment effect heterogeneity in the staggered adoption setting using machine learning. The proposed method, machine learning difference-in-differences (MLDID), allows for estimation of time-varying conditional average treatment effects on the treated, which can be used to conduct detailed inference on drivers of treatment effect heterogeneity. We perform simulations to evaluate the performance of MLDID and find that it accurately identifies the true predictors of treatment effect heterogeneity. We then use MLDID to evaluate the heterogeneous impacts of Brazil's Family Health Program on infant mortality, and find those in poverty and urban locations experienced the impact of the policy more quickly than other subgroups.