A semiparametric instrumented difference-in-differences approach to policy learning
用于政策学习的半参数工具变量双重差分方法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：摘要明确研究工具变量双重差分的因果政策学习，并提出面板数据扩展。
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…
用于政策学习的半参数工具变量双重差分方法
- 研究问题
- 平行趋势因未测混杂而失效时，如何借助工具变量识别适用于总体的最优治疗分配政策，而不仅估计已处理者平均效应？
- 方法与思路
- 作者以二元工具变量建立工具变量双重差分识别，构造 Wald、逆概率加权及半参数高效和多重稳健估计，并扩展至面板。
- 材料陈述的贡献
- 摘要称给出识别、一致性和渐近正态性结果，允许机器学习估计辅助参数，并通过模拟和澳大利亚纵向调查进行评估。
- 阅读关注点
- 应核对工具变量替代平行趋势所需的完整条件、政策目标与可识别范围，以及多重稳健组合和面板扩展的额外要求。
- 阅读边界
- 仅据所给 Crossref 摘要，二元工具变量存在本身不保证识别；工具有效性条件、学习误差要求和模拟数值均未说明。
原文摘要
Summary Recently, there has been a surge in methodological development for the difference-in-differences approach to evaluate causal effects. Standard methods in the literature rely on the parallel-trend assumption to identify the average treatment effect on the treated. However, the parallel-trend assumption may be violated in the presence of unmeasured confounding, and the average treatment effect on the treated may not be useful in learning a treatment assignment policy for the entire population. In this article, we propose a general instrumented difference-in-differences approach for learning the optimal treatment policy. Specifically, we establish identification results using a binary instrumental variable when the parallel-trend assumption fails to hold. Additionally, we construct a Wald estimator, novel inverse probability weighting estimators and a class of semiparametric efficient and multiply robust estimators, with theoretical guarantees on consistency and asymptotic normality, even when relying on flexible machine learning algorithms for nuisance parameter estimation. Furthermore, we extend the instrumented difference in differences to the panel data setting. We evaluate our methods in extensive simulations and in an analysis of the Australian Longitudinal Survey.