Omitted Variable Bias in Difference-in-Differences Designs
双重差分设计中的遗漏变量偏误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：摘要直接研究双重差分、平行趋势偏离、ATT 偏误与因果结论的敏感性。
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…
双重差分设计中的遗漏变量偏误
- 研究问题
- 当未观测混杂导致平行趋势失效时，双重差分的处理组平均处理效应偏误如何刻画，需要多强的混杂才能推翻研究结论？
- 方法与思路
- 作者从处理分配机制刻画偏误，以处理胜算变化、混杂失衡和胜算解释变异衡量混杂强度，构造敏感性统计量及效应界限推断。
- 材料陈述的贡献
- 摘要称提供新的 ATT 偏误公式、可常规报告的敏感性指标，以及借助协变量或处理前趋势约束混杂强度的界限和灵活推断方法。
- 阅读关注点
- 应核对各混杂强度指标的定义、协变量与处理前趋势如何约束界限，以及机器学习估计所需条件和最低工资应用的解释边界。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明完整识别与推断条件，敏感性界限的有效性仍取决于混杂限制。
原文摘要
We study the omitted variable bias (OVB) problem in canonical difference-in-differences (DiD) designs when unobserved confounding induces departures from the parallel trends assumption. Our results provide a novel characterization of the OVB formula for the average treatment effect on the treated (ATT), which is of independent interest. We show how the ATT bias is mainly governed by the strength of confounding in the treatment assignment mechanism and provide alternative ways of quantifying this strength, such as (i) changes in the average odds of treatment among the treated, (ii) confounding imbalance between treated and control units, or (iii) variation explained in treatment odds among the untreated. Building on these results, we offer sensitivity statistics for routine reporting, describing the minimum strength of confounding required to overturn the conclusions of a DiD study, as well as formal bounds on the strength of confounders based on comparisons to observed covariates or pre-trends. Finally, we provide flexible and efficient statistical inference methods for the bounds on ATT, which can leverage modern machine learning algorithms for estimation. We demonstrate the utility of our approach in an empirical example that estimates the effects of minimum wage on teen employment.