A Generalized Difference-in-Differences Estimator for Randomized Stepped-Wedge and Observational Staggered Adoption Settings
适用于随机阶梯楔形与观察性交错采用的广义双重差分估计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：摘要明确研究交错处理采用下的双重差分效应估计，并将观察性面板数据列为应用场景。
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
适用于随机阶梯楔形与观察性交错采用的广义双重差分估计
- 研究问题
- 在随机阶梯楔形试验和观察性交错处理面板中，如何针对不同处理效应异质性选择目标效应，并兼顾偏差、解释与精度？
- 方法与思路
- 作者以二乘二双重差分比较为基本单元，通过加权平均构造非参数估计器，针对设定的异质性结构选择所需目标效应。
- 材料陈述的贡献
- 摘要称方法可清晰针对目标效应并有效利用比较信息，无需正确指定方差；同时提供结核诊断与疫苗激励应用及 R 算法。
- 阅读关注点
- 应核对两种设计各自的识别依据、异质性设定如何决定比较权重，以及无需正确方差设定的结论究竟适用于哪些环节。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收状态未核实；摘要未说明观察研究的具体识别假设、权重公式或应用估计值。
原文摘要
Staggered treatment adoption arises in the evaluation of policy impact and implementation in many settings, including both randomized stepped-wedge trials and non-randomized quasi-experiments with panel data. In both settings, getting an interpretable, unbiased effect estimate requires careful consideration of the target estimand and possible treatment effect heterogeneities. This paper proposes a novel non-parametric approach to this estimation for either setting. By constructing an estimator using weighted averages of two-by-two difference-in-differences comparisons as building blocks, the investigator can target the desired estimand for any assumed treatment effect heterogeneities. This provides desirable bias and interpretation properties while using the comparisons efficiently to mitigate the loss of precision, without requiring correct variance specification. The methods are demonstrated for both a randomized stepped-wedge trial on the impact of novel tuberculosis diagnostic tools and an observational staggered adoption study on the effects of COVID-19 vaccine financial incentive lotteries in U.S. states; these are compared to analyses using previous methods. A full algorithm with R code is provided to implement this method and to compare against existing methods. The proposed method allows for high flexibility and clear targeting of desired effects, providing one solution to the bias-variance-generalizability tradeoff.