Identification and Inference in Nonlinear Difference-in-Differences Models
非线性双重差分模型的识别与推断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：摘要明确评估政策处理效应并识别完整反事实结果分布，直接对应因果推断与分位数及分布效应方向。
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
非线性双重差分模型的识别与推断
- 研究问题
- 如何推广双重差分以容许处理组与对照组的平均处理收益不同，并识别两组在相反处理状态下的反事实结果分布及政策效应？
- 方法与思路
- 作者提出假设对结果尺度变换保持不变的模型，给出非参数识别条件，并构造适用于重复截面或面板数据的分布估计与推断方法。
- 材料陈述的贡献
- 摘要称，方法可估计两组在相反处理状态下的完整反事实分布，并给出平均处理效应估计量的根号N一致性与渐近正态性，以及若干扩展。
- 阅读关注点
- 重点核对非参数识别所需假设、两组反事实分布的构造、平均处理效应的目标定义，以及协变量、离散结果和多时期扩展的条件。
- 阅读边界
- 摘要未列明识别假设和估计步骤，也未交代各项扩展的额外限制；不能仅据摘要认定任意非线性政策模型均可识别。
原文摘要
This paper develops a generalization of the widely used difference-in-differences method for evaluating the effects of policy changes. We propose a model that allows the control and treatment groups to have different average benefits from the treatment. The assumptions of the proposed model are invariant to the scaling of the outcome. We provide conditions under which the model is nonparametrically identified and propose an estimator that can be applied using either repeated cross section or panel data. Our approach provides an estimate of the entire counterfactual distribution of outcomes that would have been experienced by the treatment group in the absence of the treatment and likewise for the untreated group in the presence of the treatment. Thus, it enables the evaluation of policy interventions according to criteria such as a mean-variance trade-off. We also propose methods for inference, showing that our estimator for the average treatment effect is root-N consistent and asymptotically normal. We consider extensions to allow for covariates, discrete dependent variables, and multiple groups and time periods. Copyright The Econometric Society 2006.