Difference-in-Differences with Interval Data
区间数据下的双重差分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：摘要围绕政策干预的因果效应和区间结果下的双重差分识别展开，直接对应因果推断方向。
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…
区间数据下的双重差分
- 研究问题
- 当政策评估的结果变量只能观测为区间时，如何开展双重差分分析，并避免直接套用常规平行趋势带来的无信息或反直觉结论？
- 方法与思路
- 作者将双重差分推广到区间结果，提出称为“平行位移”的识别策略，并通过重访最低工资研究展示其实际应用。
- 材料陈述的贡献
- 摘要称，常规平行趋势的朴素应用或扩展可能表现不佳；提出的平行位移策略具有合意性质，为区间结果提供另一种识别路径。
- 阅读关注点
- 应核对平行位移的数学定义、它与传统平行趋势的关系，以及处理效应究竟如何识别、区间宽度如何影响结果的信息量。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明具体识别条件、效应界限、推断程序及最低工资应用的结果。
原文摘要
Difference-in-differences (DID) is one of the most popular tools used to evaluate causal effects of policy interventions. This paper extends the DID methodology to accommodate interval outcomes, which are often encountered in empirical studies using survey or administrative data. We point out that a naive application or extension of the conventional parallel trends assumption may yield uninformative or counterintuitive results, and present a suitable identification strategy, called parallel shifts, which exhibits desirable properties. Practical attractiveness of the proposed method is illustrated by revisiting an influential minimum wage study by Card and Krueger (1994).