Causal Inference for Spatial Treatments
空间处理的因果推断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。
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：摘要明确研究空间事件和政策的因果效应，并提出反事实地点比较、设计型标准误及观察数据处理方法，直接对应因果推断。
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
空间处理的因果推断
- 研究问题
- 事件或政策发生在特定地点时，如何选择空间上的反事实比较对象，并对附近单位的因果效应开展有效推断？
- 方法与思路
- 作者比较实际处理地点与未实现候选地点附近的单位，推导设计型标准误，并将机器学习及双重机器学习扩展到空间相关情形。
- 材料陈述的贡献
- 摘要称，该框架提供空间处理的比较设计与推断方法；应用中，杂货店对极近商家的客流有较大正效应，较远处无效应。
- 阅读关注点
- 应核对候选地点如何定义、处理概率由可观测特征决定的条件、空间相关如何进入标准误，以及距离效应的估计对象。
- 阅读边界
- 仅据所给 Crossref 摘要，无法核实地点选择假设、具体距离阈值、效应数值及其不确定性，不推断其他版本变化。
原文摘要
Many events and policies (treatments) occur at specific spatial locations, with researchers interested in their effects on nearby units. I approach the spatial treatment setting from an experimental perspective: What ideal experiment would we design to estimate the causal effects of spatial treatments? This perspective motivates a comparison between units near realized treatment locations and units near counterfactual (unrealized) candidate locations, which differs from current empirical practice. I derive design‐based standard errors that are straightforward to compute. For observational data, I propose machine learning methods to find counterfactual candidate locations when observable characteristics, rather than potential outcomes, determine treatment probabilities. To accommodate methods for high‐dimensional data in the theory, I extend a double machine learning result to the design‐based framework with spatial correlations. I apply the proposed methods to study the causal effects of grocery stores on foot traffic to nearby businesses during COVID‐19 shelter‐in‐place policies, finding a large positive effect at very short distances, with no effect at larger distances.