Treatment-Effect Estimation in Complex Designs under a Parallel-trends Assumption
平行趋势假设下复杂处理设计的处理效应估计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：摘要明确研究面板数据中的动态处理效应，并以平行趋势和处理路径比较进行识别，直接对应因果推断与面板数据。
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…
平行趋势假设下复杂处理设计的处理效应估计
- 研究问题
- 当面板中的处理并非二元、也不必持续保持时，如何识别动态处理效应，并区分实际政策路径评价与其他政策的效果评价？
- 方法与思路
- 作者先在无预期和平行趋势假设下比较实际路径与始终维持首期处理的路径，再引入效应跨期恒定的随机系数线性分布滞后模型。
- 材料陈述的贡献
- 摘要称事件研究效应经适当归一化可对应当期及滞后处理边际效应的加权平均，并指出常规分布滞后双向固定效应回归可能误导。
- 阅读关注点
- 应核对路径效应的识别条件、归一化权重与解释，以及随机系数模型如何估计、为何常规回归失效和政策外推需要哪些限制。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未提供具体估计公式、权重性质或应用结果，不能判断实际改善幅度。
原文摘要
This paper considers the identification of dynamic treatment effects with panel data, in complex designs where the treatment may not be binary and may not be absorbing. We first show that under no-anticipation and parallel-trends assumptions, we can identify event-study effects comparing outcomes under the actual treatment path and under the status-quo path where all units would have kept their period-one treatment throughout the panel. Those effects can be helpful to evaluate ex-post the policies that effectively took place, and once properly normalized they estimate weighted averages of marginal effects of the current and lagged treatments on the outcome. Yet, they may still be hard to interpret, and they cannot be used to evaluate the effects of other policies than the ones that were conducted. To make progress, we impose another restriction, namely a random coefficients distributed-lag linear model, where effects remain constant over time. Under this model, the usual distributed-lag two-way-fixed-effects regression may be misleading. Instead, we show that this random coefficients model can be estimated simply. We illustrate our findings by revisiting Gentzkow, Shapiro and Sinkinson (2011).