Beyond Parallel Trends: An Identification-Strategy-Robust Approach to Causal Inference with Panel Data
超越平行趋势：面板因果推断的识别策略稳健方法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：摘要明确研究面板数据中的 ATT 识别，并比较多种面板因果推断策略。
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…
超越平行趋势：面板因果推断的识别策略稳健方法
- 研究问题
- 能否利用处理前结果寻找接近处理组的比较组，使面板因果效应估计在多种互不嵌套的识别策略下仍然成立？
- 方法与思路
- 作者先依据处理前结果搜寻接近的比较组，再比较处理后结果，并分别分析多种面板识别策略及时间同质性情形。
- 材料陈述的贡献
- 摘要称，该方法在多种双重差分、分布变化及滞后结果识别策略下可恢复 ATT，但需要额外的比较组接近性等设计条件。
- 阅读关注点
- 应核对接近性的度量与所需程度、不同识别结果之间的关系，以及时间同质性条件和比较组选择对推断的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未说明完整条件，不能将识别策略稳健理解为无需识别假设。
原文摘要
In this paper, we propose a new approach to causal inference with panel data. Instead of using panel data to adjust for differences in the distribution of unobserved heterogeneity between the treated and comparison groups, we instead use panel data to search for "close comparison groups" -- groups that are similar to the treated group in terms of pre-treatment outcomes. Then, we compare the outcomes of the treated group to the outcomes of these close comparison groups in post-treatment periods. We show that this approach is often identification-strategy-robust in the sense that our approach recovers the ATT under many different non-nested panel data identification strategies, including difference-in-differences, change-in-changes, or lagged outcome unconfoundedness, among several others. We provide related, though non-nested, results under "time homogeneity", where outcomes do not systematically change over time for any comparison group. Our strategy asks more out of the research design -- namely that there exist close comparison groups or time homogeneity (neither of which is required for most existing panel data approaches to causal inference) -- but, when available, leads to more credible inferences.