Difference-in-Differences with Unpoolable Data
数据不可合并情形下的双重差分法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：摘要以双重差分估计处理效应为核心，属因果推断；同时涉及多组别、交错采纳的面板数据结构，故归入面板数据。
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…
数据不可合并情形下的双重差分法
- 研究问题
- 研究问题：在因隐私或法律限制导致跨辖区数据无法合并（unpoolable）的情形下，如何估计双重差分（DID）处理效应，并放松DID估计中数据可合并性假设。
- 方法与思路
- 方法思路：作者提出UN-DID方法，在数据不可合并条件下估计DID，并称该方法可容纳协变量、多组别与交错采纳（staggered adoption）设定；通过解析证明与蒙特卡洛模拟考察其性质。
- 材料陈述的贡献
- 摘要所述贡献：提出UN-DID估计方法，并称在无协变量情形下其平均处理效应与标准误估计同常规DID相等且无偏；有协变量时两者均无偏、等价并收敛于真值，估计值略有差异但统计推断与实质结论一致；另给出两个真实数据实证例子。
- 阅读关注点
- 阅读时应核对：数据不可合并的具体定义与识别假设；UN-DID的估计量与标准误构造细节；协变量情形下“等价、收敛”的证明条件；蒙特卡洛设计；两个实证例子的数据来源与结论稳健性。
- 阅读边界
- 摘要信息的边界：本文为arXiv预印本，未经同行评审验证；摘要未说明具体识别假设、模拟设定、实证数据与数值结果，不能据此判断方法在一般情形下的有效性或优越性。
原文摘要
Difference-in-differences (DID) is commonly used to estimate treatment effects but is infeasible in settings where data are unpoolable due to privacy concerns or legal restrictions on data sharing, particularly across jurisdictions. In this study, we identify and relax the assumption of data poolability in DID estimation. We propose an innovative approach to estimate DID with unpoolable data (UN-DID) which can accommodate covariates, multiple groups, and staggered adoption. Through analytical proofs and Monte Carlo simulations, we show that UN-DID and conventional DID estimates of the average treatment effect and standard errors are equal and unbiased in settings without covariates. With covariates, both methods produce estimates that are unbiased, equivalent, and converge to the true value. The estimates differ slightly but the statistical inference and substantive conclusions remain the same. Two empirical examples with real-world data further underscore UN-DID's utility. The UN-DID method allows the estimation of cross-jurisdictional treatment effects with unpoolable data, enabling better counterfactuals to be used and new research questions to be answered.