Design-Based Variance Estimation for Modern Heterogeneity-Robust Difference-in-Differences Estimators
现代异质性稳健双重差分估计量的基于设计方差估计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：摘要明确研究双重差分处理效应估计的调查设计方差及条件平行趋势。
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
现代异质性稳健双重差分估计量的基于设计方差估计
- 研究问题
- 将现代异质性稳健双重差分估计量用于分层整群调查时，如何把复杂抽样设计纳入标准误，避免忽略设计导致覆盖不足？
- 方法与思路
- 作者验证光滑影响函数或回归型估计量满足设计方差所需平滑条件，再应用分层整群方差公式，并开展模拟和调查数据应用。
- 材料陈述的贡献
- 摘要称，设计方差给出设计一致标准误，模拟支持调查加权与主抽样单元聚类的表现，并提供实现十五种估计量的 Python 包。
- 阅读关注点
- 应核对适用估计量范围、调查权重与聚类及分层的处理、条件平行趋势要求，以及影响函数估计和有限总体修正的细节。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已获同行评审或接收；摘要未列明完整正则条件，模拟中聚类有效不等于所有调查设计下都充分。
原文摘要
Modern heterogeneity-robust difference-in-differences estimators derive their asymptotic properties under iid, cluster, or fixed-design frameworks that abstract from complex survey sampling, yet practitioners routinely apply them to nationally representative surveys with stratified cluster designs. We show that, under standard regularity conditions, the influence functions of each smooth IF-based or regression-based modern DiD estimator satisfy Binder's (1983) smoothness conditions, so the standard stratified-cluster variance formula applied to their values produces design-consistent standard errors. A Monte Carlo study with 66,000 replications shows where the design effect comes from. HC1 standard errors that treat observations as iid produce coverage as low as 34% under a baseline survey design and below 11% under informative sampling. Combining the survey-weighted point estimate with PSU-level clustering - the practitioner's cluster=psu heuristic - recovers near-nominal coverage across all scenarios. Adding strata and finite-population corrections yields incremental precision but is not required for valid coverage. Survey-weighted doubly robust estimation produces well-calibrated inference when parallel trends hold only conditionally. An NHANES illustration of the ACA dependent coverage provision shows that point estimates and standard errors change substantively - enough to reverse significance conclusions - when the survey design is accounted for. We provide diff-diff (https://github.com/igerber/diff-diff), an open-source Python package implementing design-based variance for fifteen modern DiD estimators.