Controlling for Unmeasured Confounding in Panel Data Using Minimal Bridge Functions: From Two-Way Fixed Effects to Factor Models
以最小桥函数控制面板数据中的未观测混杂：从双向固定效应到因子模型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未观测混杂下的平均因果效应识别与估计。
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
以最小桥函数控制面板数据中的未观测混杂：从双向固定效应到因子模型
- 研究问题
- 在线性因子模型存在未观测混杂、时间期数无需趋于无穷的面板设计中，如何识别平均因果效应并进行有效推断？
- 方法与思路
- 作者将双重差分变换推广为识别同一效应的桥函数，并通过正则化估计选取最小桥函数，以处理解的多重性。
- 材料陈述的贡献
- 摘要称所得效应估计量具有根号 N 一致性和渐近正态性，可构造渐近有效区间，并扩展至时变未观测混杂。
- 阅读关注点
- 应核对桥函数存在与识别的条件、最小性的定义、正则化参数要求，以及时变混杂扩展增加了哪些限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明因子结构、处理分配及桥函数识别的具体条件。
原文摘要
We develop a new approach for identifying and estimating average causal effects in panel data under a linear factor model with unmeasured confounders. Compared to other methods tackling factor models such as synthetic controls and matrix completion, our method does not require the number of time periods to grow infinitely. Instead, we draw inspiration from the two-way fixed effect model as a special case of the linear factor model, where a simple difference-in-differences transformation identifies the effect. We show that analogous, albeit more complex, transformations exist in the more general linear factor model, providing a new means to identify the effect in that model. In fact many such transformations exist, called bridge functions, all identifying the same causal effect estimand. This poses a unique challenge for estimation and inference, which we solve by targeting the minimal bridge function using a regularized estimation approach. We prove that our resulting average causal effect estimator is root-N consistent and asymptotically normal, and we provide asymptotically valid confidence intervals. Finally, we provide extensions for the case of a linear factor model with time-varying unmeasured confounders.