A simple and trustworthy asymptotic t test in difference-in-differences regressions
双重差分回归中简便可靠的渐近 t 检验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：摘要明确针对双重差分回归中的统计检验，主要服务于处理效应研究中的因果推断。
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
双重差分回归中简便可靠的渐近 t 检验
- 研究问题
- 在双重差分回归存在横截面依赖和时间依赖时，如何构造使用 Student t 参考分布的检验，并兼顾检验尺寸与功效？
- 方法与思路
- 作者采用按时间聚类的思路，以特殊的异方差与自相关稳健方差估计量构造 t 检验，并根据第一、第二类错误选择平滑参数。
- 材料陈述的贡献
- 摘要称该检验计入方差估计的不确定性，比对应正态检验尺寸更准确且功效相当，与既有非标准检验相比同样准确而使用更方便。
- 阅读关注点
- 应核对允许横截面及时间依赖的具体条件、t 分布自由度的确定方式、平滑参数选择目标，以及模拟比较所用的检验配置。
- 阅读边界
- 仅依据所给出版社摘要，无法判断依赖强度限制和有限样本优势范围；推断方法本身不能保证双重差分的因果识别条件成立。
原文摘要
We propose an asymptotically valid t test that uses Student’s t distribution as the reference distribution in a difference-in-differences regression. For the asymptotic variance estimation, we adopt the clustering-by-time approach to accommodate cross-sectional dependence. This approach often assumes the clusters to be independent across time, but we allow them to be temporally dependent. The proposed t test is based on a special heteroscedasticity and autocorrelation robust (HAR) variance estimator. We target the type I and type II errors and develop a testing-oriented method to select the underlying smoothing parameter. By capturing the estimation uncertainty of the HAR variance estimator, the t test has more accurate size than the corresponding normal test and is just as powerful as the latter. Compared to the nonstandard test developed in the literature, the standard t test is just as accurate but much more convenient to use. Model-based and empirical-data-based Monte Carlo simulations show that the t test works quite well in finite samples.