Quantile and Distribution Treatment Effects on the Treated with Possibly Non-Continuous Outcomes
可能非连续结局下处理组的分位数与分布处理效应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：摘要明确结合 DiD 因果识别、分位数与分布效应，并覆盖平衡及非平衡等面板抽样。
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…
可能非连续结局下处理组的分位数与分布处理效应
- 研究问题
- 当结果变量为离散、混合或删失分布，且处理分批实施、抽样结构各异时，如何用双重差分识别处理组的分布和分位数效应并作统一推断？
- 方法与思路
- 作者在分布平行趋势和无预期假设下建立分布型 DiD，覆盖多种面板与重复横截面抽样，并提出函数型过度识别限制检验。
- 材料陈述的贡献
- 摘要称框架兼容非连续结果、错位实施和一般抽样方案；警力与犯罪应用展示了计数结果的分布效应如何解释为事件概率效应。
- 阅读关注点
- 应核对分布平行趋势的定义、离散分位数的处理方式、统一推断的范围，以及诊断检验能检验哪些限制而不能验证哪些识别假设。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出完整正则条件和应用数值，诊断检验也不能独立证明识别假设成立。
原文摘要
Applied Difference-in-Differences studies often involve outcomes that are discrete, mixed, censored, or otherwise non-continuously distributed, while policy questions frequently concern distributional effects rather than mean effects alone. This paper develops a distributional DiD framework for identifying and conducting uniform inference on distribution and quantile treatment effects on the treated in such settings under stated identifying and regularity conditions. Identification is based on distributional parallel trends and no-anticipation assumptions, illustrated through an economic model of crime that generates count-valued untreated potential outcomes. The identification and asymptotic theory accommodate staggered treatment adoption and a general sampling scheme encompassing repeated cross-sections, unbalanced panels, rotating panels, and balanced panels. The paper also proposes a test of functional over-identifying restrictions as a diagnostic for the identifying assumptions and working-CDF specification. An empirical application to the effect of police on crime illustrates the practical relevance of the approach and shows how distributional effects can be interpreted as event-probability effects for count outcomes.