Semiparametric Inference for Causal Effects on Functional Outcomes
函数型结局因果效应的半参数推断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：摘要明确以差分中的差分识别函数型平均处理效应，并提供因果效应的曲线层面推断。
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
函数型结局因果效应的半参数推断
- 研究问题
- 差分中的差分如何扩展至离散观测的函数型结局，同时处理因果识别、曲线重建误差和整条曲线的统计推断？
- 方法与思路
- 作者在平行趋势下定义函数型平均处理效应，推导有效影响函数，并结合正交性、交叉拟合构造去偏估计与一致置信带。
- 材料陈述的贡献
- 摘要称，框架建立效率界和估计量弱收敛，给出渐近有效的一致置信带，并证明离散采样重建误差可渐近忽略。
- 阅读关注点
- 全文应核对函数型平行趋势、离散采样密度与重建速率要求，以及一致置信带所需的函数空间和临界值构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明重建误差可忽略的具体条件，也未给出覆盖率与功效比较数值。
原文摘要
Difference-in-differences (DiD) is a cornerstone of causal inference, yet extending it to functional outcomes is not a routine scalar generalization; rather, it entails three fundamental challenges in identification, inference, and observation. This paper develops a comprehensive semiparametric inference framework for functional DiD with discretely observed data. First, we define the functional average treatment effect under parallel trends and derive its efficient influence function (EIF), thereby establishing the semiparametric efficiency bound. Second, leveraging Neyman orthogonality and cross-fitting, we construct a debiased estimator that effectively mitigates regularization bias arising from nonparametric reconstruction. Third, we establish weak convergence of the estimator and propose an asymptotically valid uniform confidence band, enabling a rigorous transition from pointwise to curve-level inference. Finally, we demonstrate that reconstruction error under discrete sampling is asymptotically negligible for semiparametric inference, ensuring practical feasibility. Simulations and empirical applications confirm that the proposed method achieves superior coverage and testing power in finite samples, providing a theoretically grounded and computationally tractable foundation for causal evaluation with functional data.