A Joint Test of Unconfoundedness and Common Trends
无混杂与共同趋势的联合检验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。
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：摘要直接研究两期面板中的已处理者平均处理效应、无混杂与共同趋势，兼属因果推断和面板数据。
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…
关注这篇论文的作者
无混杂与共同趋势的联合检验
- 研究问题
- 在两期面板中，无混杂与共同趋势作为识别已处理者平均处理效应的不同假设，如何利用可检验限制共同评估其相容性？
- 方法与思路
- 作者提出过度识别检验，使用可结合机器学习的双重稳健统计量控制观测混杂，并讨论满足一种或两种假设的因果模型。
- 材料陈述的贡献
- 摘要称提出适用于两类非嵌套识别假设的联合检验，并在四组公开数据中有两组拒绝原假设，未给出具体检验数值。
- 阅读关注点
- 核对联合原假设与过度识别限制的精确定义、双重稳健性的含义，以及机器学习估计和拒绝结果应如何解释。
- 阅读边界
- 仅据所给 Crossref 摘要；联合原假设及正则条件未写明，拒绝不能直接定位某一假设失败，不拒绝也不能证明因果识别有效。
原文摘要
ABSTRACT We introduce an overidentification test of two alternative assumptions to identify the average treatment effect on the treated in a two‐period panel data setting: unconfoundedness and common trends. Under unconfoundedness, treatment assignment and post‐treatment outcomes are independent, conditional on control variables and pre‐treatment outcomes, which motivates including the pre‐treatment outcomes in the set of controls. Under common trends, the trend and the treatment assignment are independent, conditional on control variables, motivating a Difference‐in‐Differences (DiD) approach. Given the non‐nested nature of these assumptions and their often ambiguous plausibility in empirical settings, we propose a joint test using a doubly robust statistic that can be combined with machine learning to control for observed confounders in a data‐driven manner. We discuss causal models satisfying either common trends, unconfoundedness, or both assumptions. Applying the proposed method to publicly available datasets, we find that the test rejects the null hypothesis in two out of four cases.