Empirical-Likelihood-Based Difference-in-Differences Estimators
基于经验似然的双重差分估计量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。
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：摘要明确以双重差分估计处理组平均处理效应，直接属于因果推断。
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
基于经验似然的双重差分估计量
- 研究问题
- 在观察研究的双重差分框架下，如何调整处理前协变量差异，并利用共同的边际协变量信息估计处理组平均处理效应？
- 方法与思路
- 作者采用经验似然估计处理组平均处理效应，将共同边际协变量信息纳入估计，并通过模拟与经济数据分析展示方法。
- 材料陈述的贡献
- 摘要称经验似然可自然利用额外协变量信息，相比文献中的其他方法提供更有效率的估计，但未给出改进幅度。
- 阅读关注点
- 应核对双重差分的识别条件、共同边际信息的来源与约束形式，以及效率比较采用的基准方法和数据结构。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认具体识别假设、效率成立条件或实证效应；不能将摘要中的效率陈述视为普遍优势。
原文摘要
Summary Recently there has been a surge in econometric and epidemiologic works focusing on estimating average treatment effects under various sets of assumptions. Estimation of average treatment effects in observational studies often requires adjustment for differences in pretreatment variables. Rosenbaum and Rubin have proposed the propensity score method for estimating the average treatment effect by adjusting pretreatment variables. In this paper, the empirical likelihood method is used to estimate average treatment effects on the treated under the difference-in-differences framework. The advantage of this approach is that the common marginal covariate information can be incorporated naturally to enhance the estimation of average treatment effects. Compared with other approaches in the literature, the method proposed can provide more efficient estimation. A simulation study and a real economic data analysis are presented.