Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data
用于时间序列截面数据因果推断的贝叶斯倾向得分增强潜因子模型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：摘要明确针对时间序列截面数据的处理效应推断和企业应用，属于因果推断与面板数据，未提供宏观因子分类依据。
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…
关注这篇论文的作者
用于时间序列截面数据因果推断的贝叶斯倾向得分增强潜因子模型
- 研究问题
- 在时间序列截面数据中，如何联合考虑处理分配和潜在异质性，并借助倾向得分改善处理组与对照组之间的比较？
- 方法与思路
- 作者在处理分配模型中纳入潜因子载荷，在结果模型中灵活引入倾向得分，并以近似贝叶斯程序处理模型反馈问题。
- 材料陈述的贡献
- 摘要称，该框架能捕捉倾向得分层之间的额外异质性，提供更灵活的组内比较，并通过模拟及政治关联与企业价值应用展示表现。
- 阅读关注点
- 应核对潜因子如何参与处理分配、分层内比较所需条件，以及近似贝叶斯程序如何控制反馈并传递估计不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明因果识别条件、近似程序细节及模拟改善幅度。
原文摘要
We propose a Bayesian propensity score-augmented latent factor model for causal inference with time-series cross-sectional data. The framework explicitly models the treatment assignment mechanism by incorporating latent factor loadings, while the outcome model flexibly incorporates the propensity score, for example through stratification. Relative to existing approaches, the proposed method provides greater flexibility and captures additional heterogeneity across propensity-score strata, enabling more credible comparisons between treated and control units within each stratum. For estimation and inference, we adopt an approximate Bayesian procedure to address the model feedback problem common in Bayesian propensity score analysis. We demonstrate the performance of the proposed method through Monte Carlo simulations and an empirical application examining the effect of political connections on firm value.