Estimation and Inference on Average Treatment Effect in Percentage Points under Heterogeneity
异质性下以百分点表示的平均处理效应估计与推断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：摘要直接讨论平均处理效应、双重差分与错位处理实施中的异质性，核心问题是因果效应参数的估计和解释。
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
异质性下以百分点表示的平均处理效应估计与推断
- 研究问题
- 在半对数回归及错位实施的双重差分中，处理效应异质性如何导致系数近似失真，怎样估计作者所定义的百分点效应？
- 方法与思路
- 作者利用 Jensen 不等式解释近似偏差，构造考虑可观测子群异质性的效应参数，并提出相应估计、推断和大样本分析。
- 材料陈述的贡献
- 摘要称，新参数给出目标人群平均效应的下界，组内无异质性时与其相等；模拟与两项应用显示传统和新度量可能明显不同。
- 阅读关注点
- 应核对百分点效应的定义与权重、下界成立条件、组内异质性的处理，以及错位实施设计中识别与推断如何结合。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明下界证明的完整条件，新参数也未被宣称在一般异质性下等于 ATE。
原文摘要
In semi-logarithmic regressions, treatment coefficients are often interpreted as approximations of an average treatment effect (ATE) in percentage points. This paper highlights the overlooked bias of this approximation under treatment effect heterogeneity, arising from Jensen's inequality. The issue is particularly relevant for difference-in-differences designs with log-transformed outcomes and staggered treatment adoption, where treatment effects may vary across groups and periods. This paper proposes new estimation and inference methods for an estimand that accounts for heterogeneity across observable subgroups and can improve upon conventional measures. The estimand provides a lower bound on the ATE in percentage points for the relevant target (sub)population, and coincides with it in the absence of within-group heterogeneity. I establish the methods' large-sample properties and study their finite-sample performance through Monte Carlo experiments, which reveal substantial discrepancies between conventional and proposed measures when systematic heterogeneity is large. Two empirical applications further underscore the practical importance of these methods.