Beyond Parallel Trends in Staggered Difference-in-Differences: Identification under Higher-Order Parallelism
超越错位实施双重差分的平行趋势：高阶平行性下的识别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：摘要明确研究错位实施双重差分的处理效应识别、聚合及选择后推断。
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
超越错位实施双重差分的平行趋势：高阶平行性下的识别
- 研究问题
- 当处理前事件研究拒绝处理组与对照组的固定差距时，能否通过高阶平行性条件识别错位实施设计中的分组及总体处理效应？
- 方法与思路
- 作者以 Parallel[p] 条件层级替代固定差距要求，嵌入组别—时间平均处理效应框架，并提出跨阶数聚合与顺序选阶程序。
- 材料陈述的贡献
- 摘要称，可在更弱条件下实现点识别，并给出不同组别采用不同可行阶数的聚合定理；模拟与 Medicaid 应用展示推断表现。
- 阅读关注点
- 应核对高阶条件与传统平行趋势的逻辑关系、外推限制、各组别可行阶数，以及顺序选阶后自助法覆盖率成立的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未经核实；摘要未给出完整条件和数值，处理前数据不拒绝某条件并不能验证处理后识别。
原文摘要
In difference-in-differences designs, the parallel trends assumption requires that the outcome gap between treated and control units would have remained flat absent treatment. Pre-treatment event studies frequently reject this flat-gap requirement. Existing responses include parametric trend controls and bounds on the treatment effect under assumptions about the magnitude of the violation. This paper shows that point identification of cohort-specific and aggregate treatment effects in staggered designs remains achievable under strictly weaker assumptions. I replace the flat-gap requirement with a hierarchy of higher-order conditions, Parallel[p], embed this framework in the group-time average treatment effect structure of Callaway and Sant'Anna (2021), and prove an aggregation theorem for the case where different cohorts are identified under different feasible polynomial orders, a challenge unique to staggered designs that has not been previously addressed. A sequential order-selection procedure guides applied practice. Monte Carlo evidence confirms that post-selection bootstrap coverage remains near-nominal and that inference is robust to realistic serial correlation. Applied to Medicaid expansion data, the method yields point estimates resting on an assumption the pre-treatment data do not reject, in contrast to the flat-gap requirement which those same data decisively reject.