Difference-in-differences for mediation analysis using double machine learning
使用双重机器学习的双重差分中介分析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：摘要明确以双重差分识别中介处理效应，并为面板数据构建估计量，因此归入因果推断与面板数据。
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
使用双重机器学习的双重差分中介分析
- 研究问题
- 在处理与中介可为多值离散或连续变量时，如何利用双重差分识别直接、间接以及处理与中介的联合效应？
- 方法与思路
- 作者对潜在结果和部分参数所需的潜在中介分布施加条件平行趋势限制，并构建面板及重复截面的 DML 估计量。
- 材料陈述的贡献
- 摘要称，该框架给出已处理者平均处理效应估计及渐近正态性，并以模拟和医保经常规体检影响健康的应用展示。
- 阅读关注点
- 应逐一核对各效应对应的平行趋势条件、处理与中介支持要求，以及机器学习误差条件和两种数据结构的差别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列明完整正则条件，不能将普通 DiD 的识别直接套用于中介效应。
原文摘要
We propose a difference-in-differences (DiD) framework with mediation for possibly multivalued discrete or continuous treatments and mediators, aimed at identifying the direct effect of the treatment on the outcome (net of effects operating through the mediator), the indirect effect via the mediator, and the joint effects of treatment and mediator, consistent with the framework of dynamic treatment effects. Identification relies on a conditional parallel trends assumption imposed on the mean potential outcome across treatment and mediator states, or (depending on the causal parameter) additionally on the mean potential outcomes and potential mediator distributions across treatment states. We propose ATET estimators for repeated cross sections and panel data within the double/debiased machine learning framework, which allows for data-driven control of covariates, and we establish their asymptotic normality under standard regularity conditions. We investigate the finite-sample performance of the proposed methods in a simulation study and illustrate our approach in an empirical application to the US National Longitudinal Survey of Youth, estimating the direct effect of health care coverage on general health as well as the indirect effect operating through routine checkups.