Randomization inference for difference-in-differences with few treated clusters
少量处理簇下双重差分的随机化推断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：摘要直接研究聚类双重差分的推断，涉及因果推断方法与面板研究中的聚类问题。
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
少量处理簇下双重差分的随机化推断
- 研究问题
- 在处理簇很少的聚类双重差分研究中，常规检验可能严重失真；论文考察随机化推断能否改善检验大小，以及需要付出何种功效代价。
- 方法与思路
- 作者比较以估计系数和以 t 统计量为基础的两类随机化推断，讨论簇异质性下的表现，并用实证例子展示不同推断方法的差异。
- 材料陈述的贡献
- 摘要称，系数型程序可能受簇异质性影响而不可靠；t 统计量型程序通常更好地控制原假设下的表现，但仍不完美且会损失功效。
- 阅读关注点
- 应核对随机化分布如何构造、推断有效性需要哪些分配或交换性条件，以及簇异质性、处理簇数量如何影响大小与功效。
- 阅读边界
- 仅依据所给出版社摘要，无法判断两类程序的确切有效条件、实证结论或适用范围；摘要也没有支持任何方法普遍可靠的结论。
原文摘要
Inference using difference-in-differences with clustered data requires care. Previous research has shown that, when there are few treated clusters, t-tests based on cluster-robust variance estimators (CRVEs) severely overreject, and different variants of the wild cluster bootstrap can either overreject or underreject dramatically. We study two randomization inference (RI) procedures. A procedure based on estimated coefficients may be unreliable when clusters are heterogeneous. A procedure based on t-statistics typically performs better (although by no means perfectly) under the null, but at the cost of some power loss. An empirical example demonstrates that RI procedures can yield inferences that differ dramatically from those of other methods.