A Test for Treatment Heterogeneity under a Distributional Difference-in-Difference Framework
分布双重差分框架下的处理异质性检验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：摘要直接结合双重差分因果设计与完整结果分布检验，关注位置、尺度、形状及尾部的处理效应。
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…
分布双重差分框架下的处理异质性检验
- 研究问题
- 如何在双重差分框架下检验处理引起的整体结果分布变化，从而捕捉均值比较可能遗漏的位置、尺度、形状及尾部变化？
- 方法与思路
- 作者用最优传输学习控制组的分布漂移并构造处理组反事实，再以再生核希尔伯特空间中的最大均值差异统计量检验。
- 材料陈述的贡献
- 摘要称，给出零假设下的渐近二次型分布及局部功效分析，并在模拟和最低工资数据中发现均值方法遗漏的分布效应。
- 阅读关注点
- 应核对控制组漂移可迁移到处理组的识别条件、传输估计误差和检验校准，并区分分布变化与个体效应异质性。
- 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条件，分布差异不能自动识别个体处理效应分布。
原文摘要
We develop a novel distributional Difference-in-Differences (DiD) framework to capture treatment heterogeneity across outcome distributions. By leveraging optimal transport, we use the control group to estimate the untreated distributional drift from the pre- to post-treatment period and apply it to the treated group's pre-treatment baseline, constructing a counterfactual distribution under the assumption of no treatment effect. We frame the null hypothesis as a distributional equality between the transported counterfactual distribution and the observed treated post-treatment distribution, and test it using a maximum mean discrepancy statistic in a reproducing kernel Hilbert space (RKHS). The resulting nonparametric omnibus test is sensitive to changes in location, scale, shape, and tail behavior. Under the null, we derive the asymptotic Gaussian quadratic-form limit of the test statistic, while under local alternatives, we provide a unified characterization of power that establishes its Pitman local power and moderate-deviation consistency. Our theory reveals how detectability is shaped by the interaction between transport-induced drift and RKHS geometry. Simulations and an application to the Card--Krueger minimum-wage data demonstrate that the proposed method identifies key distributional treatment effects missed by classical mean-based DiD.