Bayesian Robustness Values for Modern Causal Panel Estimators via Riesz Representations
通过 Riesz 表示构建现代因果面板估计量的贝叶斯稳健性值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：摘要直接研究因果面板估计量的遗漏混杂敏感性及政策处理效应。
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
通过 Riesz 表示构建现代因果面板估计量的贝叶斯稳健性值
- 研究问题
- 如何评估合成双重差分、矩阵补全等因果面板估计对遗漏混杂的敏感性，并判断观测协变量基准何时可用于辅助校准？
- 方法与思路
- 作者结合 Riesz 表示的遗漏变量偏误界与部分决定系数稳健性值，区分直接敏感性分析和需通过诊断的协变量基准校准。
- 材料陈述的贡献
- 摘要称，该流程提供估计量特定诊断，区分权重固定、目标层面和首阶段条件化分析，并通过压力测试及两类政策应用展示边界。
- 阅读关注点
- 应核对 Riesz 诊断是否包含重拟合权重变化、基准校准的依赖与支配条件，以及安慰剂推断修正和两条报告路径的解释。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。稳健性值依赖混杂刻画与诊断条件，不能据此确认政策效应已排除遗漏混杂。
原文摘要
We develop a sensitivity-analysis workflow for causal panel estimators, covering synthetic difference-in-differences, matrix completion, fixed-effect imputation, and group-time average treatment effects. The workflow combines Riesz-representation omitted-variable-bias bounds with partial-$R^2$ robustness values and separates two reporting routes. Route A gives a direct sensitivity profile for additive or projected confounding summarized by outcome-side and Riesz-side partial $R^2$ values. Route B treats observed-covariate benchmarks as auxiliary data only when benchmark-count, alpha-side alignment, model-check, dependence, and dominance diagnostics are credible; otherwise its main role is demotion. We derive estimator-specific Riesz diagnostics and clarify which are fixed-weight, target-level, or first-stage-conditional rather than full derivatives of regularized training maps. Monte Carlo stress tests distinguish calibrated benchmark settings from dominance failure, coarse alpha-side benchmarks, benchmark dependence, noisy covariates, and concentrated SDID weights. In the California tobacco-control panel, the SDID estimate is $-15.60$ packs per capita; corrected finite-donor placebo inference gives standard error 9.49 and add-one $p=0.051$. A refit-weight finite-difference audit changes the Route A nullification robustness value from 0.054 to 0.045, leaving the low-single-digit conclusion unchanged. A county-level minimum-wage application applies the same profile to a multi-cohort staggered panel.