Correcting Attrition Bias using Changes-in-Changes
利用变化中的变化方法纠正样本流失偏差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：摘要研究随机试验与双重差分中的样本流失修正和平均处理效应识别，属于因果推断。
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…
利用变化中的变化方法纠正样本流失偏差
- 研究问题
- 存在样本流失时，如何利用基线结局识别应答者与整个研究总体的平均处理效应，并适用于随机试验和双重差分设计？
- 方法与思路
- 作者扩展 changes-in-changes 方法，通过结局模型限制纠正流失偏差，并与主要约束应答机制的既有修正方法比较。
- 材料陈述的贡献
- 摘要称该方法可识别两类总体的平均处理效应，其条件容许一大类应答模型以任意方式依赖处理，并展示随机试验应用。
- 阅读关注点
- 应核对结局模型限制、基线数据所需信息和不同总体的识别条件，尤其确认允许应答依赖处理时仍保留哪些限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未列出完整条件，任意依赖处理不意味着所有流失机制均可纠正。
原文摘要
Attrition is a common and potentially important threat to internal validity in treatment effect studies. We extend the changes-in-changes approach to identify the average treatment effect for respondents and the entire study population in the presence of attrition. Our method, which exploits baseline outcome data, can be applied to randomized experiments as well as quasi-experimental difference-in-difference designs. A formal comparison highlights that while widely used corrections typically impose restrictions on whether or how response depends on treatment, our proposed attrition correction exploits restrictions on the outcome model. We further show that the conditions required for our correction can accommodate a broad class of response models that depend on treatment in an arbitrary way. We illustrate the implementation of the proposed corrections in an application to a large-scale randomized experiment.