Factorial Difference-in-Differences
析因双重差分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：摘要研究面板数据中的双重差分设计及其不同因果目标量的识别。
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…
析因双重差分
- 研究问题
- 当同一事件影响所有单位时，基线因素与事件暴露的交互比较识别何种效应，如何区分效应修饰与因果调节作用？
- 方法与思路
- 作者将基线因素 G 与暴露水平 Z 组织为析因设计，明确两类目标量，并扩展至条件假设、回归实现、重复截面和连续基线因素。
- 材料陈述的贡献
- 摘要称，无预期和平行趋势使 DID 识别效应修饰；识别因果调节还需析因平行趋势，即基线因素与潜在结局趋势均值独立。
- 阅读关注点
- 应核对两个目标量的潜在结局定义、普通与析因平行趋势的差别，以及条件化和连续基线因素下回归系数对应的因果含义。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未展示证明和应用中的假设支持，普通 DID 条件不足以保证因果调节的识别。
原文摘要
We formulate factorial difference-in-differences (FDID), a research design that extends canonical difference-in-differences (DID) to settings in which an event affects all units. In many panel data applications, researchers exploit cross-sectional variation in a baseline factor alongside temporal variation in the event, but the corresponding estimand is often implicit and the justification for applying the DID estimator remains unclear. We frame FDID as a factorial design with two factors, the baseline factor $G$ and the exposure level $Z$, and define effect modification and causal moderation as the associative and causal effects of $G$ on the effect of $Z$, respectively. Under standard DID assumptions of no anticipation and parallel trends, the DID estimator identifies effect modification but not causal moderation. Identifying the latter requires an additional \emph{factorial parallel trends} assumption, that is, mean independence between $G$ and potential outcome trends. We extend the framework to conditionally valid assumptions and regression-based implementations, and further to repeated cross-sectional data and continuous $G$. We demonstrate the framework with an empirical application on the role of social capital in famine relief in China.