Making Event Study Plots Honest: A Functional Data Approach to Causal Inference
让事件研究图支持诚实推断：因果分析的函数型数据方法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：摘要围绕 DiD、事件研究图、平行趋势与处理后因果效应的统计推断，直接属于因果推断。
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
让事件研究图支持诚实推断：因果分析的函数型数据方法
- 研究问题
- 当平行趋势或无预期假设可能失效时，事件研究图如何提供具有明确统计保证的因果推断，并区分处理前检验与处理后效应判断？
- 方法与思路
- 作者建立函数型 DiD 方法，研究估计量在连续函数空间中的高斯过程极限，构造同时置信带，并结合处理前等效性和处理后相关性检验。
- 材料陈述的贡献
- 摘要称该方法把事件研究图转化为诚实推断工具，利用等效性检验验证参考带，再以相关性检验判断处理后效应，并提供模拟与案例。
- 阅读关注点
- 应核对诚实性的精确定义、容许假设偏离的范围、参考带构造、等效性与相关性阈值，以及同时置信带的覆盖条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明识别与覆盖条件，处理前等效性检验不能据此被理解为证明处理后平行趋势。
原文摘要
Event study plots are the centerpiece of Difference-in-Differences (DiD) analysis, but current plotting methods cannot provide honest causal inference when the parallel trends and/or no-anticipation assumptions fail. We introduce a novel functional data approach to DiD that directly enables honest causal inference via event study plots. Our DiD estimator converges to a Gaussian process in the Banach space of continuous functions, enabling powerful simultaneous confidence bands. This theoretical contribution allows us to turn an event study plot into a rigorous honest causal inference tool through equivalence and relevance testing: Honest reference bands can be validated using equivalence testing in the pre-treatment period, and honest causal effects can be tested using relevance testing in the post-treatment period. We demonstrate the performance of our method in simulations and two case studies.