Structural mean models for instrumented difference-in-differences
工具变量双重差分的结构均值模型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：摘要直接研究工具变量双重差分设计中的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…
关注这篇论文的作者
工具变量双重差分的结构均值模型
- 研究问题
- 当未观测混杂破坏暴露趋势与结果趋势的关系时，如何利用趋势层面的有效工具变量识别计数和罕见二元结果的处理效应？
- 方法与思路
- 作者提出乘法结构均值模型，讨论总体或已处理者平均效应的识别，并开发允许数据自适应或机器学习估计辅助参数的半参数方法。
- 材料陈述的贡献
- 摘要称，方法将工具变量双重差分扩展至计数和罕见二元结果，提出高效半参数估计，并用于比较两类降糖药的体重增加风险。
- 阅读关注点
- 应核对工具变量在趋势尺度上的排除与外生限制、乘法模型下效应的定义，以及辅助参数估计如何影响有效推断与效率。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。识别依赖有效的双重差分工具，摘要未说明全部条件或临床应用的估计结果。
原文摘要
In the standard difference-in-differences research design, the parallel trends assumption may be violated when the relationship between the exposure trend and the outcome trend is confounded by unmeasured confounders. Progress can be made if there is an exogenous variable that (i) does not directly influence the change in outcome means (i.e. the outcome trend) except through influencing the change in exposure means (i.e. the exposure trend), and (ii) is not related to the unmeasured exposure - outcome confounders on the trend scale. Such exogenous variable is called an instrument for difference-in-differences. For continuous outcomes that lend themselves to linear modelling, so-called instrumented difference-in-differences methods have been proposed. In this paper, we will suggest novel multiplicative structural mean models for instrumented difference-in-differences, which allow one to identify and estimate the average treatment effect on count and rare binary outcomes, in the whole population or among the treated, when a valid instrument for difference-in-differences is available. We discuss the identifiability of these models, then develop efficient semi-parametric estimation approaches that allow the use of flexible, data-adaptive or machine learning methods to estimate the nuisance parameters. We apply our proposal on health care data to investigate the risk of moderate to severe weight gain under sulfonylurea treatment compared to metformin treatment, among new users of antihyperglycemic drugs.