Semiparametric Difference-in-Differences Estimation With Missing Not at Random Data: A Shadow Variable Approach
非随机缺失数据下的半参数双重差分：影子变量方法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：摘要明确研究非随机缺失下双重差分对受处理者平均处理效应的识别与估计。
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…
关注这篇论文的作者
非随机缺失数据下的半参数双重差分：影子变量方法
- 研究问题
- 当结果变量存在非随机缺失，但有一个完整观测的影子变量时，如何在双重差分框架中识别和估计受处理者效应？
- 方法与思路
- 作者利用影子变量与结果演变的关联，以及给定协变量和结果演变时其与缺失过程的独立性，构建半参数识别与估计。
- 材料陈述的贡献
- 摘要称给出了相应的识别条件、识别结果和估计算法，并通过模拟与真实数据应用评估估计量的有限样本表现。
- 阅读关注点
- 应核对双重差分与影子变量假设如何共同支持识别，尤其是缺失结果演变参与条件化时的论证及估计实现。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收；摘要未列出完整识别条件，也未说明应用数据和数值表现。
原文摘要
This paper considers a semiparametric difference-in-differences (DID) framework for identifying and estimating treatment effects on the treated (ATT) when outcomes are missing not at random (MNAR), and a fully observed shadow variable is available. The shadow variable is assumed to be associated with the outcome evolution but independent of the missingness process, conditional on covariates and the possibly unobserved outcome evolution. We establish the identification conditions, derive the corresponding identification results and estimation algorithm, and evaluate the finite-sample performance of the proposed estimator through simulation studies and a real data application.