On “Imputation of Counterfactual Outcomes When the Errors Are Predictable”: Viewing the PUP as the DID and the LDV
从双重差分与滞后因变量视角理解 PUPAI 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：摘要明确涉及事件研究、DID、LDV、平行趋势和因果效应识别，归入因果推断。
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
从双重差分与滞后因变量视角理解 PUP
- 研究问题
- PUP 如何联系事件研究中的双重差分与滞后因变量识别，以及这种联系能否带来双重稳健性和因果效应的夹逼关系？
- 方法与思路
- 作者将 PUP 解释为基于涵盖 DID 与 LDV 的广义估计对象进行预测，并讨论两类识别假设与夹逼性质的关系。
- 材料陈述的贡献
- 摘要称，在需要更丰富数据的情形下，平行趋势或 LDV 假设任一成立即可识别；相应 PUP 效应位于 LDV 与 DID 之间。
- 阅读关注点
- 应核对广义估计对象的定义、额外数据要求，以及双重稳健与 LDV 下界、DID 上界分别依赖哪些条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能把夹逼方向推广到所有 DID 或 LDV 设计；具体条件和其他版本变化均未说明。
原文摘要
I discuss the practical unbiased predictor (PUP; Gonçalves and Ng) from the viewpoint of the literature on identification in event studies. The PUP can be seen as the prediction based on a generalized estimand that encompasses both the difference-in-differences (DID) and the lagged dependent variable (LDV). This feature of the PUP allows for a doubly robust property that the identification is achieved when either the parallel trend assumption or the LDV assumption holds at the expense of richer data. Furthermore, in this case, the bracketing property implies that the PUP identifying the true causal effect is bounded below by the LDV and above by the DID.