Sequential Synthetic Difference in Differences
序贯合成双重差分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：摘要研究分期处理事件研究中的双重差分，并以交互固定效应模型建立面板推断理论。
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
序贯合成双重差分
- 研究问题
- 在处理分期实施且传统平行趋势不成立的事件研究中，如何利用不同实施批次的信息构造反事实，并建立可用于推断的理论依据？
- 方法与思路
- 作者提出 Sequential SDiD，在聚合数据上迭代插补，用较早实施批次的估计构造后续批次反事实，并在交互固定效应线性模型中分析。
- 材料陈述的贡献
- 摘要称，估计量与不可行的理想 OLS 估计量渐近等价，该结果支持渐近正态性，并为讨论标准推断和估计效率提供基础。
- 阅读关注点
- 应核对各批次可用对照信息、迭代插补如何传递误差，以及交互固定效应结构、渐近序列和理想 OLS 所用信息的定义。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未列出完整识别与渐近条件，不能据此认为方法能处理任意形式的非平行趋势。
原文摘要
We propose the Sequential Synthetic Difference-in-Differences (Sequential SDiD) estimator for event studies with staggered treatment adoption, particularly when the parallel trends assumption fails. The method uses an iterative imputation procedure on aggregated data, where estimates for early-adopting cohorts are used to construct counterfactuals for later ones. We prove the estimator is asymptotically equivalent to an infeasible oracle OLS estimator within a linear model with interactive fixed effects. This key theoretical result provides a foundation for standard inference by establishing asymptotic normality and clarifying the estimator's efficiency. By offering a robust and transparent method with formal statistical guarantees, Sequential SDiD is a powerful alternative to conventional difference-in-differences strategies.