Shared-Donor Inference for Fixed-Set Heterogeneity in Synthetic Difference-in-Differences
合成双重差分中固定目标集合异质性的共享供体推断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：摘要明确研究合成控制和合成双重差分处理效应，并涉及供体及时间权重的联合误差，支持因果推断与面板数据分类。
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
合成双重差分中固定目标集合异质性的共享供体推断
- 研究问题
- 多个合成控制或合成双重差分估计共用供体池时，共享的一阶段误差如何影响固定目标集合的均值、异质性与同时推断？
- 方法与思路
- 作者将有效的效应向量联合一阶近似作为第二阶段输入，构造多类区间与集合；对硬单纯形 SDID 使用每次重估权重的方向自助法。
- 材料陈述的贡献
- 摘要称刻画线性汇总的三类供体误差情形及二次汇总的协方差要求；应用显示忽略非对角协方差可低估或高估不同目标的不确定性。
- 阅读关注点
- 应核对第一阶段联合近似的有效条件、目标集合固定的含义、临界锥导数校验，以及抽样不确定性与持续反事实失配的分别处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出联合近似成立条件，所述推断不能据此消除持续反事实失配。
原文摘要
Empirical studies often estimate several synthetic-control or synthetic Difference-in-Differences effects from a common donor pool and then summarize their heterogeneity. Because the same donors enter several comparisons, the first-stage errors are jointly distributed and affect different targets differently. We characterize three regimes for linear fixed-set summaries: nonconcentration, root-rate donor exposure, and donornegligibility. We also show that removing shared-donor uncertainty from a quadratic summary requires the shared-donor covariance to vanish in every direction entering that summary. We take a valid joint first-order experiment for the effect vector as the input to the second stage. It yields simultaneous intervals for a prespecified linear family, a fixedgrid projection band, a centered effect-vector confidence region, image sets for total and explained heterogeneity and their ratio, and a sampling-center homogeneity test. For the hard-simplex SDID estimator, an operator-normalized numerical directional bootstrap re-estimates the donor and time weights in every draw. We use an exact critical-cone derivative to check the numerical approximation. In the Medicaid expansion application, omitting off-diagonal covariance understates uncertainty for the equal-jurisdiction mean but overstates it for a centered projection on the baseline uninsured rate. Persistent counterfactual mismatch is reported separately through deterministic sensitivity regions.