Robust Difference-in-differences Models
稳健双重差分模型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：摘要围绕双重差分、平行趋势、选择偏差和处理组平均处理效应的部分识别展开，文本直接支持因果推断分类。
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
稳健双重差分模型
- 研究问题
- 当干预前趋势检验削弱平行趋势假设的可信度时，如何利用多个基期或其他数据来源，对处理组平均处理效应进行稳健识别？
- 方法与思路
- 作者从选择偏差重述双重差分，假设干预后选择偏差位于所有干预前选择偏差的凸包内，并据基准信息集构造效应识别集。
- 材料陈述的贡献
- 摘要称在该假设下，识别集包含真实处理组平均处理效应及标准双重差分估计目标，并提供充分条件、多处理时期扩展和实施方法。
- 阅读关注点
- 应核对选择偏差的定义、凸包限制的经济含义和充分条件，以及不同基准信息集如何影响识别集宽度、估计与推断。
- 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。识别保证依赖作者提出的限制，摘要未说明推断细节或限制失效时的稳健程度。
原文摘要
The difference-in-differences (DID) method identifies the average treatment effects on the treated (ATT) under mainly the so-called parallel trends (PT) assumption. The most common and widely used approach to justify the PT assumption is the pre-treatment period examination. If a null hypothesis of the same trend in the outcome means for both treatment and control groups in the pre-treatment periods is rejected, researchers believe less in PT and the DID results. This paper develops a robust generalized DID method that utilizes all the information available not only from the pre-treatment periods but also from multiple data sources. Our approach interprets PT in a different way using a notion of selection bias, which enables us to generalize the standard DID estimand by defining an information set that may contain multiple pre-treatment periods or other baseline covariates. Our main assumption states that the selection bias in the post-treatment period lies within the convex hull of all selection biases in the pre-treatment periods. We provide a sufficient condition for this assumption to hold. Based on the baseline information set we construct, we provide an identified set for the ATT that always contains the true ATT under our identifying assumption, and also the standard DID estimand. We extend our proposed approach to multiple treatment periods DID settings. We propose a flexible and easy way to implement the method. Finally, we illustrate our methodology through some numerical and empirical examples.