Causal Inference in Panel Data with a Continuous Treatment
连续处理面板数据中的因果推断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：摘要明确围绕面板数据、连续处理及依赖处理历史的潜在结局开展因果推断。
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…
关注这篇论文的作者
连续处理面板数据中的因果推断
- 研究问题
- 当面板中的连续处理随时间变化，且当前潜在结局依赖历史处理时，如何识别并估计汇总因果响应，而不局限于双向固定效应？
- 方法与思路
- 作者结合潜在结局回归与序贯条件独立假设进行识别，构造最小二乘和 GMM 估计量，再据参数估计汇总处理效应。
- 材料陈述的贡献
- 摘要称框架包含双向固定效应模型，建立汇总效应估计的渐近性质，并提出借助 DAG 检查假设，以援助与增长关系示范。
- 阅读关注点
- 应核对历史处理如何进入潜在结局、序贯条件独立假设与矩条件，以及 DAG 所谓检验能否利用观测数据验证全部识别要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未给出汇总响应的精确定义，DAG 检查也不能据摘要认定已排除未观测混杂。
原文摘要
This paper proposes a framework that incorporates the two-way fixed effects model as a special case to conduct causal inference with a continuous treatment. Treatments are allowed to change over time and potential outcomes are dependent on historical treatments. Regression models on potential outcomes, along with the sequentially conditional independence assumptions (SCIAs) are introduced to identify the treatment effects, which are measured by aggre causal responses. Least squares and generalized method of moments (GMM) estimators are developed for model parameters, which are then used to estimate the aggregate causal effects. We establish the asymptotic properties of these aggregate estimators. Additionally, we propose employing directed acyclic graphs (DAGs) to test the validity of the SCIAs. An application examining the aid-growth relationship illustrates the proposed methodology.