Simple Specification-Free Causal Inference in Large Panels
大面板中的简洁、无需特定参数设定的因果推断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。
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：摘要直接研究大面板中的反事实插补、倾向得分和逐期已处理者平均处理效应。
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…
大面板中的简洁、无需特定参数设定的因果推断
- 研究问题
- 当个体数和时期数均较大时，能否利用长期处理前结果历史恢复潜在个体相似性，进而估计逐期已处理者平均处理效应？
- 方法与思路
- 作者假设未处理潜在结果遵循非参数非可分因子模型，用处理前历史构造相似度，经核平滑估计反事实均值与倾向得分。
- 材料陈述的贡献
- 摘要称，足够长的处理前历史可支持接近最优的非参数收敛率，并给出逐期双重稳健估计量根号个体数一致及渐近正态的条件。
- 阅读关注点
- 应核对非可分因子结构、相似度与潜在因子的关系、处理前历史增长要求，以及双重稳健性和中心位于真实效应所需条件。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；无需特定参数设定仍依赖因子及光滑性假设，具体条件摘要未展开。
原文摘要
We propose a simple and transparent approach to causal inference using panel data with a large number of units and periods. Instead of imposing a particular parametric specification on the untreated potential outcomes, we assume they follow a nonparametric nonseparable factor model. We use long pre-treatment outcome histories to construct a measure of similarity between the latent factors of different units. Using this measure, we impute missing counterfactual means and propensity scores through kernel smoothing. Under weak smoothness conditions, these estimates can attain the optimal nonparametric convergence rate up to logarithmic factors, provided that the pre-treatment history grows sufficiently quickly with the sample size. We construct a doubly robust estimator of the period-specific average treatment effect on the treated (ATT) and provide conditions under which it is $\sqrt{N}$-consistent and asymptotically normal, centered at the true ATT. Simulations demonstrate accurate inference for a wide range of linear and nonlinear data-generating processes.