Difference-in-Differences Meets Synthetic Control: Doubly Robust Identification and Estimation
双重差分与合成控制的结合：双重稳健识别和估计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：摘要明确研究短面板中的双重差分、合成控制及已处理者平均处理效应。
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
双重差分与合成控制的结合：双重稳健识别和估计
- 研究问题
- 在短面板因果推断中，能否构造一种已处理者平均处理效应方法，使平行趋势或组层面合成控制条件任一成立即可识别？
- 方法与思路
- 作者在统一半参数框架下构造识别稳健矩条件，分析两种识别路径下不同的正交性与渐近方差，并采用乘子自助法推断。
- 材料陈述的贡献
- 摘要称，方法在两个非嵌套假设之一成立时识别处理效应，提供两种情形下有效的推断，并扩展至重复截面和错位处理设计。
- 阅读关注点
- 应核对组层面合成控制条件与平行趋势的区别，尤其是正交性仅在前述平行趋势路径成立时的估计要求和自助法有效条件。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未展开两类假设及正则条件，也未报告应用效应数值。
原文摘要
Difference-in-Differences (DiD) and Synthetic Control (SC) are widely used methods for causal inference in panel data, each with distinct strengths and limitations. We propose a novel method for short-panel causal inference that integrates the advantages of both approaches. Our method delivers a doubly robust identification strategy for the average treatment effect on the treated (ATT) under either of two non-nested assumptions: parallel trends or a group-level SC condition. Building on this identification result, we develop a unified semiparametric framework for estimating the ATT. Notably, the identification-robust moment function satisfies Neyman orthogonality under the parallel trends assumption but not under the SC assumption, leading to different asymptotic variances across the two identification strategies. To ensure valid inference, we propose a multiplier bootstrap method that consistently approximates the asymptotic distribution under either assumption. Furthermore, we extend our methodology to accommodate repeated cross-sectional data and staggered treatment designs. As an empirical application, we evaluate the impact of the 2003 minimum-wage increase in Alaska on family income. Finally, in simulation studies based on empirically calibrated data-generating processes, we demonstrate that the proposed estimation and inference methods perform well in finite samples under either identification assumption.