Treatment Effects in Staggered Adoption Designs with Non-Parallel Trends
非平行趋势下交错采用设计的处理效应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：摘要直接研究面板交错处理采用中的因果效应，并以交互固定效应处理非平行趋势，对应因果推断与面板数据。
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…
非平行趋势下交错采用设计的处理效应
- 研究问题
- 在面板数据的交错处理采用设计中，若不同组的未处理潜在结果不满足平行趋势，如何识别并估计目标因果效应？
- 方法与思路
- 作者主要采用交互固定效应模型，利用处理时点差异产生额外矩条件，以恢复目标效应，无需较长时间维度或额外排除限制。
- 材料陈述的贡献
- 摘要称处理时点变化可支持一大类因果效应参数的恢复，并指出该思路可能扩展到动态面板等其他非平行趋势设定。
- 阅读关注点
- 应核对新增矩条件的来源、处理时点支持与秩要求、可恢复的具体效应集合，以及替代平行趋势的实质性识别假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验。摘要未列出完整识别条件，对其他模型的扩展表述不能视为已建立的结果。
原文摘要
This paper considers identifying and estimating causal effect parameters in a staggered treatment adoption setting -- that is, where a researcher has access to panel data and treatment timing varies across units. We consider the case where untreated potential outcomes may follow non-parallel trends over time across groups. This implies that the identifying assumptions of leading approaches such as difference-in-differences do not hold. We mainly focus on the case where untreated potential outcomes are generated by an interactive fixed effects model and show that variation in treatment timing provides additional moment conditions that can be used to recover a large class of target causal effect parameters. Our approach exploits the variation in treatment timing without requiring either (i) a large number of time periods or (ii) requiring any extra exclusion restrictions. This is in contrast to essentially all of the literature on interactive fixed effects models which requires at least one of these extra conditions. Rather, our approach directly applies in settings where there is variation in treatment timing. Although our main focus is on a model with interactive fixed effects, our idea of using variation in treatment timing to recover causal effect parameters is quite general and could be adapted to other settings with non-parallel trends across groups such as dynamic panel data models.