Difference‐in‐Difference Causal Forests With an Application to Payroll Tax Incidence in Norway
双重差分因果森林及其在挪威工资税负担归宿中的应用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。
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：摘要明确提出在平行趋势假设下估计动态异质性处理效应的双重差分因果森林。
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…
双重差分因果森林及其在挪威工资税负担归宿中的应用
- 研究问题
- 如何在动态处理效应场景下估计异质性效应，并分析挪威工资税向工资的传导如何随企业和劳动力特征变化？
- 方法与思路
- 作者提出双重差分因果森林，将因果森林扩展到依靠平行趋势假设的动态效应估计，并用于生成事件研究图。
- 材料陈述的贡献
- 摘要称，方法在平行趋势假设下提供一致估计；应用发现税负归宿存在异质性，大型且劳动力异质的企业更能转嫁税负。
- 阅读关注点
- 应核对平行趋势的具体形式、动态效应的定义、处理时点安排、森林估计与推断步骤，以及税负转嫁的衡量方式。
- 阅读边界
- 仅依据所给 Crossref 摘要；平行趋势之外的条件、处理时点设计和效应数值未说明，不能认定方法适用于所有双重差分场景。
原文摘要
ABSTRACT This paper introduces the difference‐in‐difference causal forest (DiDCF) method, which extends the causal‐forest technique for estimating heterogeneous treatment effects to settings with dynamic treatment effects. Regular causal forests require independence between treatment assignment and the outcome variable (after conditioning out observables). In contrast, DiDCFs provide consistent estimates with a parallel trend assumption. DiDCFs can be used to create event‐study plots. The method is applied to estimate payroll tax incidence on wages. We find that heterogeneity in incidence is explained by firm‐ and workforce‐level variables. Firms with a large and heterogeneous workforce are most effective in passing on the incidence of the payroll tax to workers.