Efficient Difference-in-Differences Estimation when Outcomes are Missing at Random
结果随机缺失时的有效双重差分估计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：摘要直接研究结果随机缺失条件下双重差分的处理组平均处理效应识别与估计。
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…
结果随机缺失时的有效双重差分估计
- 研究问题
- 当处理前、处理后或两个时期的结果变量随机缺失时，如何识别并有效估计双重差分中的处理组平均处理效应？
- 方法与思路
- 作者基于半参数理论提出两组充分识别条件，分别推导效率界，并构造具有多重稳健性、可达到相应效率界的估计量。
- 材料陈述的贡献
- 摘要称，研究同时提供随机缺失下的非参数识别、半参数效率基准和有效估计方法，并通过模拟检验估计量性质。
- 阅读关注点
- 应核对两组条件如何结合缺失机制与双重差分识别，以及多重稳健性允许哪些辅助模型误设、效率结论需要哪些收敛条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未列明两组识别条件，也未说明是否覆盖分期处理等更复杂设计。
原文摘要
The Difference-in-Differences (DiD) method is a fundamental tool for causal inference, yet its application is often complicated by missing data. Although recent work has developed robust DiD estimators for complex settings like staggered treatment adoption, these methods typically assume complete data and fail to address the critical challenge of outcomes that are missing at random (MAR) -- a common problem that invalidates standard estimators. We develop a rigorous framework, rooted in semiparametric theory, for identifying and efficiently estimating the Average Treatment Effect on the Treated (ATT) when either pre- or post-treatment (or both) outcomes are missing at random. We first establish nonparametric identification of the ATT under two minimal sets of sufficient conditions. For each, we derive the semiparametric efficiency bound, which provides a formal benchmark for asymptotic optimality. We then propose novel estimators that are asymptotically efficient, achieving this theoretical bound. A key feature of our estimators is their multiple robustness, which ensures consistency even if some nuisance function models are misspecified. We validate the properties of our estimators and showcase their broad applicability through an extensive simulation study.