Causal inference and policy evaluation without a control group
没有对照组的因果推断与政策评价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：摘要明确定位于无未处理单位的面板因果分析及政策效应估计。
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…
没有对照组的因果推断与政策评价
- 研究问题
- 当面板数据中缺少未处理单位时，能否仍然识别政策或冲击的因果效应，并利用机器学习估计相应参数？
- 方法与思路
- 作者提出机器学习控制法，在潜在结果框架下形式化识别，再用机器学习估计，并开展模拟、复现与教育不平等应用。
- 材料陈述的贡献
- 摘要称，方法为不依赖未处理单位的面板因果分析提供识别与估计框架，并配有 MachineControl 软件包。
- 阅读关注点
- 应核对没有对照组时反事实依据何种信息识别、处理前后关系需何种限制，以及预测误差如何进入因果推断。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明替代对照组的识别条件与应用效应数值。
原文摘要
Without a control group, the most widespread methodologies for estimating causal effects cannot be applied. To fill this gap, we propose the Machine Learning Control Method, a new approach for causal panel analysis that estimates causal parameters without relying on untreated units. We formalize identification within the potential outcomes framework and then provide estimation based on machine learning algorithms. To illustrate the practical relevance of our method, we present simulation evidence, a replication study, and an empirical application on the impact of the COVID-19 crisis on educational inequality. We implement the proposed approach in the companion R package MachineControl