Doubly robust identification for causal panel data models
因果面板数据模型的双重稳健识别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：摘要明确研究面板数据因果效应，并以双重稳健识别和估计为核心。
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
因果面板数据模型的双重稳健识别
- 研究问题
- 面板数据中的因果效应能否通过处理分配与未观测混杂因素之间的限制来识别，并与传统潜在结果建模路径互补？
- 方法与思路
- 作者分别对潜在结果及处理分配与混杂因素的关系提出假设集合，构造双重稳健识别路径，并据此提出估计方法。
- 材料陈述的贡献
- 摘要称，论文把较少用于面板数据的处理分配识别路径与传统模型路径结合，发展双重稳健方法及相应估计程序。
- 阅读关注点
- 应核对两组识别假设的准确形式、目标因果效应、双重稳健成立的逻辑，以及识别条件与估计模型正确性的区别。
- 阅读边界
- 摘要未说明处理结构、时间维度、具体估计式或推断结果，不能直接套用常见双重稳健估计量的条件解释本文。
原文摘要
Summary We study identification and estimation of causal effects in settings with panel data. Traditionally, researchers follow model-based identification strategies relying on assumptions governing the relation between the potential outcomes and the observed and unobserved confounders. We focus on a different, complementary approach to identification, where assumptions are made about the connection between the treatment assignment and the unobserved confounders. Such strategies are common in cross-section settings, but rarely used with panel data. We introduce different sets of assumptions that follow the two paths to identification and develop a double robust approach. We propose estimation methods that build on these identification strategies.