Difference-in-differences Design with Outcomes Missing Not at Random
结局非随机缺失下的双重差分设计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：摘要直接研究面板数据非随机缺失下的双重差分因果识别，因此同时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
结局非随机缺失下的双重差分设计
- 研究问题
- 面板结局存在非随机缺失时，完整案例分析会如何影响双重差分识别，又能否利用缺失模式构造处理效应界限？
- 方法与思路
- 作者按潜在缺失模式定义主分层，在各层内施加平行趋势，利用不同时点的缺失率估计层比例，并改造 Lee 界限。
- 材料陈述的贡献
- 摘要称该方法实现双重差分效应的部分识别，无须处理选择与缺失模式独立，也无须不同缺失模式具有同质效应。
- 阅读关注点
- 应核对主分层及目标人群的定义、层内平行趋势、层比例的识别条件，以及 Lee 界限的修剪规则和附加限制。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未说明全部选择限制、界限锐性及估计不确定性的处理。
原文摘要
This paper addresses one of the most prevalent problems encountered by political scientists working with difference-in-differences (DID) design: missingness in panel data. A common practice for handling missing data, known as complete case analysis, is to drop cases with any missing values over time. A more principled approach involves using nonparametric bounds on causal effects or applying inverse probability weighting based on baseline covariates. Yet, these methods are general remedies that often under-utilize the assumptions already imposed on panel structure for causal identification. In this paper, I outline the pitfalls of complete case analysis and propose an alternative identification strategy based on principal strata. To be specific, I impose parallel trends assumption within each latent group that shares the same missingness pattern (e.g., always-respondents, if-treated-respondents) and leverage missingness rates over time to estimate the proportions of these groups. Building on this, I tailor Lee bounds, a well-known nonparametric bounds under selection bias, to partially identify the causal effect within the DID design. Unlike complete case analysis, the proposed method does not require independence between treatment selection and missingness patterns, nor does it assume homogeneous effects across these patterns.