Doubly robust difference-in-differences estimators
双重稳健的双重差分估计量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：摘要直接研究 DID 中的处理效应估计，并比较面板与重复截面数据的效率。
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
双重稳健的双重差分估计量
- 研究问题
- 在面板或重复截面 DID 设计中，如何估计已处理者平均处理效应，并使一致性和推断对部分工作模型误设保持稳健？
- 方法与思路
- 作者结合倾向得分与结果回归工作模型构造双重稳健估计量，推导半参数效率界，并考察辅助参数估计方式对推断的影响。
- 材料陈述的贡献
- 摘要称任一工作模型正确即可获得一致性，两者正确时达到效率界，并量化面板数据的效率收益；部分构造还具有推断双重稳健性。
- 阅读关注点
- 应核对 DID 的识别条件、面板与重复截面估计形式、效率界的适用模型，以及实现推断双重稳健性所需的辅助参数估计方法。
- 阅读边界
- 摘要未列出完整识别假设及推断条件；双重稳健性针对指定工作模型，不能替代 DID 识别，也不能推广到任意估计实现。
原文摘要
This article proposes doubly robust estimators for the average treatment effect on the treated (ATT) in difference-in-differences (DID) research designs. In contrast to alternative DID estimators, the proposed estimators are consistent if either (but not necessarily both) a propensity score or outcome regression working models are correctly specified. We also derive the semiparametric efficiency bound for the ATT in DID designs when either panel or repeated cross-section data are available, and show that our proposed estimators attain the semiparametric efficiency bound when the working models are correctly specified. Furthermore, we quantify the potential efficiency gains of having access to panel data instead of repeated cross-section data. Finally, by paying particular attention to the estimation method used to estimate the nuisance parameters, we show that one can sometimes construct doubly robust DID estimators for the ATT that are also doubly robust for inference. Simulation studies and an empirical application illustrate the desirable finite-sample performance of the proposed estimators. Open-source software for implementing the proposed policy evaluation tools is available.