Cohort-Anchored Robust Inference for Event-Study with Staggered Adoption
交错处理事件研究中以处理队列为锚的稳健推断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。
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：研究交错处理的双重差分与事件研究，并在队列与时期层面处理平行趋势偏离。
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
交错处理事件研究中以处理队列为锚的稳健推断
- 研究问题
- 交错处理事件研究中，队列构成变化及队列间处理前趋势差异如何影响聚合系数的稳健推断，怎样保持可比性？
- 方法与思路
- 作者在队列与时期层面操作，将估计偏差可逆分解为相对固定初始对照组的区块偏差，并对其施加稳健推断限制。
- 材料陈述的贡献
- 摘要称该框架改善异质处理前趋势下置信集合的中心位置，有时也缩小集合；模拟及最低工资再分析提供例证。
- 阅读关注点
- 核对区块偏差的定义和可逆分解、限制如何连接处理前后时期，以及队列数量和组内精度如何影响置信集合。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出完整限制形式，所述改善也并非普遍保证。
原文摘要
This paper proposes a cohort-anchored framework for robust inference in event studies with staggered adoption, building on Rambachan and Roth (2023). Robust inference based on event-study coefficients aggregated across cohorts can be misleading due to the dynamic composition of treated cohorts, especially when pre-trends differ across cohorts. My approach avoids this problem by operating at the cohort-period level. To address the additional challenge posed by time-varying control groups in modern DiD estimators, I introduce the concept of block bias: the parallel-trends violation for a cohort relative to its fixed initial control group. I show that the biases of these estimators can be decomposed invertibly into block biases. Because block biases maintain a consistent comparison across pre- and post-treatment periods, researchers can impose transparent restrictions on them to conduct robust inference. In simulations and a reanalysis of minimum-wage effects on teen employment, my framework yields better-centered (and sometimes narrower) confidence sets than the aggregated approach when pre-trends vary across cohorts. The framework is most useful in settings with multiple cohorts, sufficient within-cohort precision, and substantial cross-cohort heterogeneity.