Correcting attrition bias using changes-in-changes
利用变化中的变化方法修正样本流失偏差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：摘要直接研究样本流失下的平均处理效应识别，并明确适用于随机实验和双重差分。
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…
利用变化中的变化方法修正样本流失偏差
- 研究问题
- 当处理效应研究存在样本流失时，如何利用基期结果识别应答者及整个研究总体的平均处理效应，并允许应答依赖处理状态？
- 方法与思路
- 作者扩展 changes-in-changes 方法，利用基期结果和结果模型限制修正流失，适用于随机实验与准实验双重差分设计。
- 材料陈述的贡献
- 摘要称，识别可依赖结果模型限制而非惯常的应答限制，所需条件容纳应答任意依赖处理的广泛模型，并展示随机实验应用。
- 阅读关注点
- 应核对结果模型限制的具体内容、应答者与总体效应各自的识别条件，以及允许应答依赖处理的范围和基期结果的作用。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；具体识别限制、估计程序及应用效应未说明，允许应答依赖处理不意味着可以无条件修正任意流失。
原文摘要
Attrition is a common and potentially important threat to internal validity in treatment effect studies. We extend the changes-in-changes approach to identify the average treatment effect for respondents and the entire study population in the presence of attrition. Our method, which exploits baseline outcome data, can be applied to randomized experiments as well as quasi-experimental difference-in-difference designs. A formal comparison highlights that while widely used corrections typically impose restrictions on whether or how response depends on treatment, our proposed attrition correction exploits restrictions on the outcome model. We further show that the conditions required for our correction can accommodate a broad class of response models that depend on treatment in an arbitrary way. We illustrate the implementation of the proposed corrections in an application to a large-scale randomized experiment.