Improved Inference for CSDID Using the Cluster Jackknife
利用聚类刀切法改进 CSDID 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：摘要直接讨论交错处理采用的双重差分与序列相关、聚类推断，分别对应因果推断和面板数据。
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…
利用聚类刀切法改进 CSDID 推断
- 研究问题
- 在聚类数或受处理聚类数较少、序列相关及聚类规模不均衡时，交错采用情形下的 CSDID 推断是否仍存在严重过度拒绝？
- 方法与思路
- 作者考察 CSDID 在困难聚类结构下的推断表现，提出聚类刀切法标准误，通过模拟评价，并提供 Stata 与 R 软件包。
- 材料陈述的贡献
- 摘要称少聚类情形下 CSDID 的过度拒绝至少与传统双重差分同样严重，模拟显示聚类刀切法显著改善推断表现。
- 阅读关注点
- 应核对删除聚类后的估计与标准误构造、检验参考分布，以及不同聚类数、处理比例和聚类规模下的拒绝率比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出模拟数值和理论适用条件，不能据此保证所有少聚类设计均可靠。
原文摘要
Obtaining reliable inferences with traditional difference-in-differences (DiD) methods can be difficult. Problems can arise when both outcomes and errors are serially correlated, when there are few clusters or few treated clusters, when cluster sizes vary greatly, and in various other cases. In recent years, recognition of the ``staggered adoption'' problem has shifted the focus away from inference towards consistent estimation of treatment effects. One of the most popular new estimators is the CSDID procedure of Callaway and Sant'Anna (2021). We find that the issues of over-rejection with few clusters and/or few treated clusters are at least as severe for CSDID as for traditional DiD methods. We also propose using a cluster jackknife for inference with CSDID, which simulations suggest greatly improves inference. We provide software packages in Stata csdidjack and R didjack to calculate cluster-jackknife standard errors easily.