Exchangeable Gaussian Processes for Staggered-Adoption Policy Evaluation
用于交错政策实施评估的可交换高斯过程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：摘要明确在面板数据中评估政策处理效应，并处理单一单位与交错采用设计，直接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…
用于交错政策实施评估的可交换高斯过程
- 研究问题
- 如何在面板数据中利用跨单位可交换的高斯过程预测未处理反事实，适应单一处理单位及多个单位交错采用政策的情形？
- 方法与思路
- 作者通过多任务高斯过程先验联合建模处理与控制单位的结果路径，以未处理潜在结果的后验预测计算逐期和累计效应及可信区间。
- 材料陈述的贡献
- 摘要提出适用于交错采用设计的灵活政策评估方法，允许非线性时间趋势，并比较不同核函数，使用处理前伪干预日期检验预测表现。
- 阅读关注点
- 应核对可交换性如何限制单位差异、哪些数据用于未处理反事实预测，以及处理前验证与因果识别、处理后区间校准之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明完整识别条件，处理前预测准确和贝叶斯可信区间均不自动保证因果覆盖。
原文摘要
We study the use of exchangeable multi-task Gaussian processes (GPs) for causal inference in panel data, applying the framework to two settings: one with a single treated unit subject to a once-and-for-all treatment and another with multiple treated units and staggered treatment adoption. Our approach models the joint evolution of outcomes for treated and control units through a GP prior that ensures exchangeability across units while allowing for flexible nonlinear trends over time. The resulting posterior predictive distribution for the untreated potential outcomes of the treated unit provides a counterfactual path, from which we derive pointwise and cumulative treatment effects, along with credible intervals to quantify uncertainty. We implement several variations of the exchangeable GP model using different kernel functions. To assess prediction accuracy, we conduct a placebo-style validation within the pre-intervention window by selecting a ``fake'' intervention date. Ultimately, this study illustrates how exchangeable GPs serve as a flexible tool for policy evaluation in panel data settings and proposes a novel approach to staggered-adoption designs with a large number of treated and control units.