Design-Robust Two-Way-Fixed-Effects Regression For Panel Data
面板数据中对处理分配设计稳健的双向固定效应回归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：摘要直接研究面板二元处理的平均因果效应，并结合双向固定效应与处理分配机制，对应因果推断和面板数据。
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…
面板数据中对处理分配设计稳健的双向固定效应回归
- 研究问题
- 一般二元处理路径下，如何结合处理分配模型与双向固定效应回归，在其中一个模型正确时仍一致估计平均因果效应？
- 方法与思路
- 作者用处理分配机制模型产生单位特定权重，扩充双向固定效应回归，讨论错位实施、局部模型误设及动态效应扩展。
- 材料陈述的贡献
- 摘要称，分配模型或双向回归模型任一正确即可保持一致性；两者局部误设时也优于常规估计，体现更强的双重稳健性质。
- 阅读关注点
- 应核对单位和时间平均目标的权重、处理分配模型的条件，以及双重稳健性、局部误设比较和动态效应扩展的适用范围。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出完整识别假设，双重稳健性不意味着任意双重误设下有效。
原文摘要
We propose a new estimator for average causal effects of a binary treatment with panel data in settings with general treatment patterns. Our approach augments the popular two-way-fixed-effects specification with unit-specific weights that arise from a model for the assignment mechanism. We show how to construct these weights in various settings, including the staggered adoption setting, where units opt into the treatment sequentially but permanently. The resulting estimator converges to an average (over units and time) treatment effect under the correct specification of the assignment model, even if the fixed effect model is misspecified. We show that our estimator is more robust than the conventional two-way estimator: it remains consistent if either the assignment mechanism or the two-way regression model is correctly specified. In addition, the proposed estimator performs better than the two-way-fixed-effect estimator if the outcome model and assignment mechanism are locally misspecified. This strong double robustness property underlines and quantifies the benefits of modeling the assignment process and motivates using our estimator in practice. We also discuss an extension of our estimator to handle dynamic treatment effects.