Event Studies with Feedback
存在反馈的事件研究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：摘要明确研究动态面板事件研究中的处理效应识别与反馈分解，对应因果推断和面板数据。
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
存在反馈的事件研究
- 研究问题
- 当协变量会响应既往结果与处理暴露时，事件研究如何区分直接处理效应和经内生协变量调整传导的间接效应？
- 方法与思路
- 作者构建动态面板事件研究框架，允许结果及处理效应持续，并在序贯外生性与同质反馈下研究识别和动态分解。
- 材料陈述的贡献
- 摘要称，可点识别结果与处理效应动态的共同参数、异质处理效应分布及反馈过程，并提出衡量各效应贡献的分解算法。
- 阅读关注点
- 核对序贯外生性和同质反馈的精确定义、动态参数与效应分布的识别步骤，以及分解算法如何定义直接和间接路径。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明完整模型、估计推断或实证表现，识别结论依赖所述条件。
原文摘要
Event studies often conflate direct treatment effects with indirect effects operating through endogenous covariate adjustment. We develop a dynamic panel event study framework that separates these effects. The framework allows for persistent outcomes and treatment effects and for covariates that respond to past outcomes and treatment exposure. Under sequential exogeneity and homogeneous feedback, we establish point identification of common parameters governing outcome and treatment effect dynamics, the distribution of heterogeneous treatment effects, and the covariate feedback process. We propose an algorithm for dynamic decomposition that enables researchers to assess the relative importance of each effect in driving treatment effect dynamics.