A Causal Framework for Evaluating Drivers of Policy Effect Heterogeneity Using Difference-in-Differences
用双重差分评估政策效应异质性驱动因素的因果框架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：摘要以双重差分研究因果效应异质性，并明确将邻里动态和跨境购物纳入政策驱动因素分析。
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…
用双重差分评估政策效应异质性驱动因素的因果框架
- 研究问题
- 如何判断政策影响在人群或地点间的差异是否由特定机制驱动，并将关于异质性来源的问题转化为可解释的因果目标？
- 方法与思路
- 作者用假想干预表示政策效应异质性的驱动因素，结合双重差分下因果效应曲线的估计工具，并应用于费城含糖饮料税。
- 材料陈述的贡献
- 摘要称，框架将异质性来源置于因果分析中，提供兼顾混杂和邻里动态的评估工具，使政策机制问题超出平均效应描述。
- 阅读关注点
- 应核对假想干预的定义、因果效应曲线的识别条件，以及混杂、跨境购物和邻里动态分别如何进入估计与解释。
- 阅读边界
- 这是预印本，不能据此声称已同行评审或期刊接收。摘要未列出识别假设、具体估计量或应用数值，不能确认各机制的因果贡献。
原文摘要
Policymakers and researchers often seek to understand how a policy differentially affects a population and the pathways driving this heterogeneity. For example, when studying an excise tax on sweetened beverages, researchers might assess the roles of cross-border shopping, economic competition, and store-level price changes on beverage sales trends. However, traditional policy evaluation tools, like the difference-in-differences (DiD) approach, primarily target average effects of the observed intervention rather than the underlying drivers of effect heterogeneity. Common approaches to evaluate sources of heterogeneity often lack a causal framework, making it difficult to determine whether observed outcome differences are truly driven by the proposed source of heterogeneity or by other confounding factors. In this paper, we present a framework for evaluating such policy drivers by representing questions of effect heterogeneity under hypothetical interventions and use it to evaluate drivers of the Philadelphia sweetened beverage tax policy effects. Building on recent advancements in estimating causal effect curves under DiD designs, we provide tools to assess policy effect heterogeneity while addressing practical challenges including confounding and neighborhood dynamics.