Dynamic covariate balancing: estimating treatment effects over time with potential local projections
动态协变量平衡：利用潜在结果局部投影估计跨期处理效应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。
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：摘要直接研究动态处理的面板数据因果效应；潜在结果局部投影的表述不足以归入宏观冲击识别。
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
动态协变量平衡：利用潜在结果局部投影估计跨期处理效应
- 研究问题
- 在处理随时间变化的面板中，若分配依赖高维协变量和既往历史，如何估计异质处理效应并控制序贯非实验偏差？
- 方法与思路
- 作者将潜在结果的条件期望递归投影到过去历史，并跨期平衡动态可观测特征，允许结果与协变量依赖全部既往处理轨迹。
- 材料陈述的贡献
- 摘要称，所提平衡方法可处理动态分配及处理效应异质性，并在可观测特征数量远超样本量时提供推断保证及数值、实证说明。
- 阅读关注点
- 应核对处理效应目标、序贯识别条件、递归投影设定和权重约束，并检查高维情形下的误差控制与推断保证。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明完整识别假设、具体推断条件或实证对象，不能将动态平衡理解为自动解决未观测混杂。
原文摘要
Abstract This article concerns the estimation and inference of treatment effects in panel data settings when treatments change dynamically over time. We propose a balancing method that allows for (i) treatments to be assigned dynamically over time based on high-dimensional covariates, past outcomes and treatments; (ii) outcomes and time-varying covariates to depend on the trajectory of all past treatments; and (iii) heterogeneity of treatment effects. Our approach recursively projects potential outcomes’ expectations on past histories. It then controls the bias arising from the nonexperimental and sequential nature of this setting by balancing dynamically observable characteristics over time. We establish inferential guarantees for the proposed method even in cases where the number of observable characteristics greatly exceeds the sample size. We study numerical properties of the estimator and illustrate the advantages of the procedure in an empirical application.