Causal Inference Using Factor Models
利用因子模型进行因果推断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：摘要直接结合面板政策因果推断、潜在共同因子与因子载荷变化。
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
利用因子模型进行因果推断
- 研究问题
- 面板政策干预中，若处理改变个体对潜在共同冲击的暴露甚至因子过程，如何在不要求标准平行趋势下估计系统性效应？
- 方法与思路
- 作者将处理效应表述为因子载荷的结构变化，并扩展到因子过程变化，在固定及处理相关因子过程下构建估计与推断。
- 材料陈述的贡献
- 摘要称方法适用于一个或多个处理单位，模拟覆盖率接近名义水平，两项政策应用与合成控制估计大体一致并提供置信区间。
- 阅读关注点
- 应核对因子结构变化的识别、系统性效应与个体时期特有影响的区别，以及因子过程受处理影响时的推断条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未列出替代识别限制，免于标准平行趋势不代表无需结构假设。
原文摘要
We develop a factor-model framework for causal inference in panels with policy interventions. Treatment effects are represented as structural changes in treated units' exposure to latent common shocks and, in extensions, changes in the factor process itself. The approach does not impose the standard parallel-trends restriction, accommodates one or many treated units, and targets systematic effects when unit-time idiosyncratic effects are not point identified. We provide estimation and inference under both fixed and treatment-dependent factor processes. Simulations show coverage close to nominal levels. In applications to California tobacco control and German reunification, the method produces estimates broadly consistent with synthetic control while delivering formal confidence intervals.