Bounds on Distributional Treatment Effect Parameters using Panel Data with an Application on Job Displacement
利用面板数据界定分布处理效应：岗位流失应用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：摘要明确利用面板数据对分布处理效应进行部分识别，直接对应因果推断、面板数据及分布效应。
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
利用面板数据界定分布处理效应：岗位流失应用
- 研究问题
- 当潜在结果的联合分布无法由常用识别条件确定时，面板数据能否收紧分布处理效应界限，并揭示岗位流失影响的异质性？
- 方法与思路
- 作者结合面板数据与处理组未处理潜在结果跨期依赖的额外假设，对依赖潜在结果联合分布的处理效应参数构造界限。
- 材料陈述的贡献
- 摘要称，新界限比已有界限更有识别力；应用报告岗位流失者平均收入较反事实低 34%，且平均值掩盖明显异质性。
- 阅读关注点
- 核对跨期依赖假设的精确形式、界限如何收紧及其推断方法，并区分应用中的平均收入损失与分布效应界限。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明额外假设和界限细节，34% 为作者报告的应用结果。
原文摘要
This paper develops new techniques to bound distributional treatment effect parameters that depend on the joint distribution of potential outcomes -- an object not identified by standard identifying assumptions such as selection on observables or even when treatment is randomly assigned. I show that panel data and an additional assumption on the dependence between untreated potential outcomes for the treated group over time (i) provide more identifying power for distributional treatment effect parameters than existing bounds and (ii) provide a more plausible set of conditions than existing methods that obtain point identification. I apply these bounds to study heterogeneity in the effect of job displacement during the Great Recession. Using standard techniques, I find that workers who were displaced during the Great Recession lost on average 34\% of their earnings relative to their counterfactual earnings had they not been displaced. Using the methods developed in the current paper, I also show that the average effect masks substantial heterogeneity across workers.