Standard Errors for Difference‐in‐Difference Regression
双重差分回归的标准误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。
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：摘要专门讨论双重差分回归的标准误、检验与置信区间，并复现处理效应应用，直接关联因果推断方法。
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
双重差分回归的标准误
- 研究问题
- 在双重差分回归的常见应用环境中，不同标准误和推断方法是否可靠，使用 jackknife 会如何改变检验与置信区间结论？
- 方法与思路
- 作者比较聚类稳健、bootstrap 与 jackknife 标准误方法，提出 jackknife 推断方案，并复现若干有影响的双重差分应用。
- 材料陈述的贡献
- 摘要称，常规方法在一些通常设定下可能明显表现不佳，所提 jackknife 方法在广泛情境中表现良好，并可改变实证推断结论。
- 阅读关注点
- 应核对 jackknife 删除的单位、聚类结构及处理组配置，检查比较采用的评价标准，以及复现结果中的推断变化来自何处。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断所谓广泛情境的具体范围、理论条件或改善幅度；摘要陈述不足以保证所有双重差分应用均适用。
原文摘要
ABSTRACT This paper makes a case for the use of jackknife methods for standard error, value, and confidence interval construction for difference‐in‐difference (DiD) regression. We review cluster‐robust, bootstrap, and jackknife standard error methods and show that standard methods can substantially underperform in conventional settings. In contrast, our proposed jackknife inference methods work well in broad contexts. We illustrate the relevance by replicating several influential DiD applications and showing how inferential results can change if jackknife standard error and inference methods are used.