Learning about Treatment Effects in Panels under Unknown Interference
未知干扰下利用面板数据学习处理效应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：摘要明确结合面板处理效应、未知单位间干扰和部分识别，因此对应因果、面板及干扰方向。
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
未知干扰下利用面板数据学习处理效应
- 研究问题
- 当比较单位也受处理溢出影响且干扰模式未知时，面板结果能对处理效应提供哪些信息，如何避免将处理效应与溢出混为一谈？
- 方法与思路
- 作者按处理前拟合程度缩放凸供体权重的有效性界，再结合预先指定的应用限制形成识别集，以线性可行性和 bootstrap 校准开展推断。
- 材料陈述的贡献
- 摘要称得到锐识别集及逐个兼容值的渐近一致错误排除控制；亚利桑那法律应用中的区间包含两种符号，未能确定效应方向。
- 阅读关注点
- 应核对拟合误差如何约束效应与溢出、额外限制的实质依据、锐性证明，以及 bootstrap 反演对每个兼容值的覆盖含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明完整有效性条件，未知干扰下的结论仍依赖预先指定的额外限制。
原文摘要
When comparison units may also respond to treatment, panel comparisons reflect both the treatment effect and spillovers. If the interference pattern is unknown, observed outcomes alone do not separate the two. I characterize what can nevertheless be learned from panel outcomes under general restrictions, without requiring an exposure mapping or prior classification of affected donors. The framework scales validity bounds for every convex donor weight by its fit before treatment and combines these bounds with prespecified restrictions tailored to the application. The validity bounds constrain the treatment effect relative to spillovers, while the additional restrictions determine its possible values. Together these restrictions yield a sharp identified set. When the additional restrictions have a finite linear representation, checking whether a proposed treatment effect is compatible with the model reduces exactly to asking whether a finite linear system has a solution. Bootstrap calibration tests this condition. Inverting these tests uniformly controls, in large samples, the probability of falsely excluding each compatible value. In an application to the Legal Arizona Workers Act, the resulting 95 percent inversion sets contain effects of both signs across all reported specifications, leaving the sign of the treatment effect unresolved.