Causal Inference Using Antidotal Variables
利用解偏变量进行因果推断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：摘要明确讨论因果处理效应、选择偏差与溢出效应的识别。
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
利用解偏变量进行因果推断
- 研究问题
- 如何在处理效应分析中同时识别因果效应、溢出效应和选择性偏差，并解释传统双重差分估计可能遗漏的影响？
- 方法与思路
- 作者提出称为 antidotal variables 的解偏变量，将其纳入一次横截面回归，并应用于加州带薪家庭假政策引发的休假行为。
- 材料陈述的贡献
- 摘要称，该回归可识别处理效应、溢出效应及选择偏差；应用的处理效应比传统双重差分结果高约百分之五十五至七十。
- 阅读关注点
- 核对解偏变量的定义、构造与识别条件，关注单次横截面回归如何分离各类效应，以及与双重差分比较是否针对同一目标量。
- 阅读边界
- 仅据所给 OpenAlex 摘要，解偏变量的有效性条件和效应分解依据尚不清楚；所报差异及其混杂、溢出解释未获独立验证。
原文摘要
This paper shows that incorporating what we call antidotal variables (AV) into a causal treatment effects analysis can with one cross-sectional regression identify the causal effect, the spillover effect, as well as possible biases from selectivity. We apply the AV technique to analyze leave taking arising from the California Paid Family Leave (CPFL) program. Our analysis yields between a 55% and 70% larger treatment effect than the traditional DID methods, which we attribute to confounding effects and spillovers, neither of which are found in traditional studies.