A Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
时间序列截面数据因果推断的反事实估计实用指南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：摘要直接研究跨单位、跨时间数据中的处理效应，并使用固定效应、交互固定效应和矩阵补全，因此对应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
时间序列截面数据因果推断的反事实估计实用指南
- 研究问题
- 研究如何通过填补已处理观测的反事实结果，估计时间序列截面数据中的已处理者平均处理效应，并应对异质效应和时变混杂。
- 方法与思路
- 作者统一讨论固定效应、交互固定效应和矩阵补全反事实估计，提出动态效应图及诊断检验，并提供 R 与 Stata 的 fect 软件包。
- 材料陈述的贡献
- 摘要称，这些方法在所讨论的异质效应或时变混杂情形中比传统双向固定效应更可靠，并通过两个政治经济学案例展示应用。
- 阅读关注点
- 应核对各估计器的识别条件、处理路径限制、反事实拟合与推断方式，以及动态效应图和诊断检验能够检验哪些假设。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未列出方法适用条件或比较数值，诊断结果也不能单独证明所有识别假设成立。
原文摘要
This paper introduces a simple framework of counterfactual estimation for causal inference with time-series cross-sectional data, in which we estimate the average treatment effect on the treated by directly imputing counterfactual outcomes for treated observations. We discuss several novel estimators under this framework, including the fixed effects counterfactual estimator, interactive fixed effects counterfactual estimator, and matrix completion estimator. They provide more reliable causal estimates than conventional twoway fixed effects models when treatment effects are heterogeneous or unobserved time-varying confounders exist. Moreover, we propose a new dynamic treatment effects plot, along with several diagnostic tests, to help researchers gauge the validity of the identifying assumptions. We illustrate these methods with two political economy examples and develop an open-source package, fect, in both R and Stata to facilitate implementation.