Randomization Inference for Before-and-After Studies with Multiple Units: An Application to a Criminal Procedure Reform in Uruguay
多单位前后比较研究的随机化推断：乌拉圭刑事程序改革应用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：摘要直接以政策采用的短期因果效应和随机化推断为目标，因此归入因果推断，未提出专门的时间序列估计模型。
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…
多单位前后比较研究的随机化推断：乌拉圭刑事程序改革应用
- 研究问题
- 对于大型政策采用后的即时效应，如何在多单位前后比较中进行短期因果推断，并减少对长期趋势或参数模型的依赖？
- 方法与思路
- 作者提出允许一般分配机制的随机化推断框架，以政策采用附近不存在局部时间趋势为关键假设，并通过反证检验评估。
- 材料陈述的贡献
- 摘要称，方法提供有限样本有效推断；乌拉圭改革应用报告首周每日警方报告约增加二十五份，增幅约为百分之八。
- 阅读关注点
- 应核对分配机制如何定义、局部无趋势假设的时间窗口、反证检验的检验力，以及报告增加对应的政策效应含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；反证检验不能证明关键假设，摘要结果仅涉及所述短期窗口。
原文摘要
Learning about the immediate causal effects of large-scale policy interventions poses a significant challenge for quasi-experimental methods that rely on long-term trends or parametric modeling assumptions. As an alternative, we develop a randomization inference framework for before-and-after studies with multiple units, designed specifically for short-term causal inference and allowing for general assignment mechanisms. The method provides finite-sample-valid statistical inferences without relying on parametric time series models or extrapolation. We demonstrate its utility by analyzing a major criminal justice reform in Uruguay that switched from an inquisitorial to an adversarial system in November 2017. Our method relies on the key assumption of no local time trends near the policy adoption time, which is supported by several falsification tests in our empirical study. We find a statistically significant short-term causal effect: an increase of approximately 25 daily police reports (an 8% rise) in the first week of the new justice system. Our randomization inference framework provides a robust and flexible methodology for evaluating policy adoptions in before-and-after studies with multiple units.