On a Debiased and Semiparametric Efficient Changes-in-Changes Estimator
去偏且具有半参数效率的变化中变化估计量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：摘要明确研究面板数据中的处理组平均效应与分布因果效应，直接对应因果推断、面板数据和分布效应。
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…
关注这篇论文的作者
去偏且具有半参数效率的变化中变化估计量
- 研究问题
- 在存在未观测混杂和丰富协变量的面板数据中，如何扩展变化中变化框架，识别并推断处理组平均效应与分布效应？
- 方法与思路
- 作者在放宽传统潜在混杂限制的条件下建立非参数识别，并构造对无限维干扰参数 Neyman 正交的半参数有效估计量。
- 材料陈述的贡献
- 摘要称允许高维、非单调的未观测混杂，并支持用机器学习估计干扰成分；以美国大规模枪击与选举结果作应用。
- 阅读关注点
- 应核对替代传统标量混杂和单调性限制的具体假设、分布效应的识别步骤，以及正交估计所需收敛条件与效率界。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未列出放宽后的识别条件，不能理解为可处理任意未观测混杂。
原文摘要
We present a novel extension of the influential changes-in-changes (CiC) framework of Athey and Imbens (2006) for estimating the average treatment effect on the treated (ATT) and distributional causal effects in panel data with unmeasured confounding. While CiC relaxes the parallel trends assumption in difference-in-differences (DiD), existing methods typically assume a scalar unobserved confounder and monotonic outcome relationships, and lack inference tools that accommodate continuous covariates flexibly. Motivated by empirical settings with complex confounding and rich covariate information, we make two main contributions. First, we establish nonparametric identification under relaxed assumptions that allow high-dimensional, non-monotonic unmeasured confounding. Second, we derive semiparametrically efficient estimators that are Neyman orthogonal to infinite-dimensional nuisance parameters, enabling valid inference even with machine learning-based estimation of nuisance components. We illustrate the utility of our approach in an empirical analysis of mass shootings and U.S. electoral outcomes, where key confounders, such as political mobilization or local gun culture, are typically unobserved and challenging to quantify.