Misclassification in Difference-in-differences Models
双重差分模型中的处理变量误分类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：研究直接分析处理变量误分类对双重差分处理效应识别及敏感性分析的影响。
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
双重差分模型中的处理变量误分类
- 研究问题
- 当政策实施时间含糊或处理状态由辅助数据推断而发生误分类时，双重差分识别什么效应，又能否对处理组平均效应给出界限？
- 方法与思路
- 作者推导误分类下 DID 估计目标与两个子群体 ATT 的关系，利用误分类程度的信息构造 ATT 界限，并通过模拟和两个应用展示敏感性分析。
- 材料陈述的贡献
- 摘要称，DID 目标存在偏差，反映正确分类与误分类群体 ATT 的加权平均；部分情形可能符号错误，其他情形存在衰减。
- 阅读关注点
- 应核对误分类机制与权重定义、符号错误和衰减各自成立的条件，以及误分类程度信息如何转化为可实施的 ATT 界限。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明完整识别假设、界限公式或应用结果，不能据此判断具体数据的偏差方向。
原文摘要
The difference-in-differences (DID) design is one of the most popular methods used in empirical economics research. However, there is almost no work examining what the DID method identifies in the presence of a misclassified treatment variable. This paper studies the identification of treatment effects in DID designs when the treatment is misclassified. Misclassification arises in various ways, including when the timing of a policy intervention is ambiguous or when researchers need to infer treatment from auxiliary data. We show that the DID estimand is biased and recovers a weighted average of the average treatment effects on the treated (ATT) in two subpopulations -- the correctly classified and misclassified groups. In some cases, the DID estimand may yield the wrong sign and is otherwise attenuated. We provide bounds on the ATT when the researcher has access to information on the extent of misclassification in the data. We demonstrate our theoretical results using simulations and provide two empirical applications to guide researchers in performing sensitivity analysis using our proposed methods.