Post-Model-Selection Statistical Inference with Interrupted Time Series Designs: An Evaluation of an Assault Weapons Ban in California
中断时间序列设计中的模型选择后推断：加州攻击性武器禁令评估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：摘要以中断时间序列分析政策因果效应，并讨论每日销售序列中的模型选择后推断，直接涉及因果推断和时间序列。
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
中断时间序列设计中的模型选择后推断：加州攻击性武器禁令评估
- 研究问题
- 使用加州每日手枪销售数据评估政策效果时，中断时间序列能提供多强的因果证据，自适应模型选择又如何影响统计推断？
- 方法与思路
- 作者分析一九九六至二〇一八年的每日销售数据，采用中断时间序列设计，并讨论模型选择引入的多重检验及计算问题。
- 材料陈述的贡献
- 摘要指出常规推荐流程中的自适应选择会引入多重检验问题，称在计算与概念层面取得部分进展，同时强调推断能力的限制。
- 阅读关注点
- 应核对政策时点、其他同期事件和序列依赖的处理，以及模型选择后推断的具体修正；重点检查因果解释能否获得设计支持。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出政策效应估计或完整修正方法，不能据此判断禁令效果。
原文摘要
There have been many claims in the media and a bit of respectable research about the causes of variation in firearm sales. The challenges for causal inference can be quite daunting. This paper reports an analysis of daily handgun sales in California from 1996 through 2018 using an interrupted time series design and analysis. The design was introduced to social scientists in 1963 by Campbell and Stanley, analysis methods were proposed by Box and Tiao in 1975, and more recent treatments are easily found (Box et al., 2016). But this approach to causal inference can be badly overmatched by the data on handgun sales, especially when the causal effects are estimated. More important for this paper are fundamental oversights in the standard statistical methods employed. Test multiplicity problems are introduced by adaptive model selection built into recommended practice. The challenges are computational and conceptual. Some progress is made on both problems that arguably improves on past research, but the take-home message may be to reduce aspirations about what can be learned.