Counterfactuals in factor models
因子模型中的反事实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：摘要同时明确涉及潜在结果与反事实、共同因子估计，以及允许个体异质性的大面板数据。
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
因子模型中的反事实
- 研究问题
- 当不同治疗水平的潜在结果通过共同因子相联系时，如何估计随时间与个体变化的平均边际效应，并构造反事实结果？
- 方法与思路
- 作者利用回归变量面板估计共同因子，再以主成分分析和基础计算估计平均边际效应，适用于高维时间序列或大面板。
- 材料陈述的贡献
- 摘要称，方法允许效应在时间和个体间异质，给出估计量的渐近分布，并讨论平均反事实与工具变量扩展及收入不平等应用。
- 阅读关注点
- 应核对共同因子如何连接潜在结果、治疗效应的识别条件，以及因子估计误差、面板维度和时间或个体平均方式对推断的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出因子结构与治疗分配条件，不能仅凭主成分计算判断反事实可识别。
原文摘要
We study a new model where the potential outcomes, corresponding to the values of a (possibly continuous) treatment, are linked through common factors. The factors can be estimated using a panel of regressors. We propose a procedure to estimate time-specific and unit-specific average marginal effects in this context. Our approach can be used either with high-dimensional time series or with large panels. It allows for treatment effects heterogenous across time and units and is straightforward to implement since it only relies on principal components analysis and elementary computations. We derive the asymptotic distribution of our estimator of the average marginal effect and highlight its solid finite sample performance through a simulation exercise. The approach can also be used to estimate average counterfactuals or adapted to an instrumental variables setting and we discuss these extensions. Finally, we illustrate our novel methodology through an empirical application on income inequality.