Good Controls Gone Bad: Difference-in-Differences with Covariates
好控制变量为何失效：含协变量的双重差分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：摘要直接讨论双重差分对已处理者平均处理效应的识别与偏误，主要对应因果推断，未充分说明独立的面板方法贡献。
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
好控制变量为何失效：含协变量的双重差分
- 研究问题
- 作者研究时变协变量的效应在组间或时期之间变化时，常用双重差分如何产生 ATT 估计偏误，以及如何调整协变量恢复识别。
- 方法与思路
- 作者提出双向共同因果协变量假设，分析 TWFE 和 CS-DID 的偏误，并以适当协变量残差化和残差平行趋势构造 DID-INT。
- 材料陈述的贡献
- 摘要称，DID-INT 可在双向共同协变量效应假设失效时无偏估计 ATT，并处理异质处理效应与错位实施，理论和模拟支持这些主张。
- 阅读关注点
- 应核对共同协变量效应假设的必要性适用范围、残差化规则、残差平行趋势，以及错位实施下 ATT 的定义和聚合权重。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未列出完整识别条件，不能将无偏性主张推广至所有含协变量的 DID。
原文摘要
This paper introduces the two-way common causal covariates (CCC) assumption, which is necessary to get an unbiased estimate of the ATT when using time-varying covariates in existing Difference-in-Differences methods. The two-way CCC assumption implies that the effect of the covariates remain the same between groups and across time periods. This assumption has been implied in previous literature, but has not been explicitly addressed. Through theoretical proofs and a Monte Carlo simulation study, we show that the standard TWFE and the CS-DID estimators are biased when the two-way CCC assumption is violated. We propose a new estimator called the Intersection Difference-in-differences (DID-INT) which can provide an unbiased estimate of the ATT under two-way CCC violations. DID-INT can also identify the ATT under heterogeneous treatment effects and with staggered treatment rollout. The estimator relies on parallel trends of the residuals of the outcome variable, after appropriately adjusting for covariates. This covariate residualization can recover parallel trends that are hidden with conventional estimators.