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。
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：摘要直接结合工具变量、双重差分与因果政策学习，并明确扩展到面板数据设置。
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
- 当未测量混杂可能破坏平行趋势，且目标是为全体人群学习处理分配政策时，如何借助工具变量建立识别与有效估计？
- 方法与思路
- 作者提出二元工具变量 DiD，构造 Wald、逆概率加权及半参数有效的多重稳健估计量，并允许机器学习估计辅助参数。
- 材料陈述的贡献
- 摘要称，方法在平行趋势不成立时建立政策学习识别结果，提供一致性和渐近正态性保证，并扩展至面板数据。
- 阅读关注点
- 应核对二元工具变量所需的识别限制、最优政策的目标和政策类、多重稳健成立的模型组合，以及机器学习的收敛要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审状态未经核实。摘要未列出工具变量条件，不能将其理解为无须替代假设即可解决平行趋势违背。
原文摘要
Recently, there has been a surge in methodological development for the difference-in-differences (DiD) approach to evaluate causal effects. Standard methods in the literature rely on the parallel trends assumption to identify the average treatment effect on the treated. However, the parallel trends 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 DiD approach for learning the optimal treatment policy. Specifically, we establish identification results using a binary instrumental variable (IV) when the parallel trends assumption fails to hold. Additionally, we construct a Wald estimator, novel inverse probability weighting (IPW) 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 parameters estimation. Furthermore, we extend the instrumented DiD to the panel data setting. We evaluate our methods in extensive simulations and a real data application.