Forests for Differences: Robust Causal Inference Beyond Parametric DiD
用于双重差分的森林：超越参数模型的因果推断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：摘要明确研究面板数据中的双重差分、错位实施及异质性处理效应。
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…
用于双重差分的森林：超越参数模型的因果推断
- 研究问题
- 面对错位实施、非线性和处理效应异质性，如何在双重差分中统一估计总体、分组及条件平均处理效应并提高估计稳定性？
- 方法与思路
- 作者提出双重差分贝叶斯因果森林，以基于平行趋势假设的重参数化组织非参数模型，并开展模拟及美国最低工资政策应用。
- 材料陈述的贡献
- 摘要称，该框架统一估计三类平均效应，模拟中优于所选基准，应用发现与县人口相关的条件效应异质性。
- 阅读关注点
- 应核对平行趋势的具体形式、错位实施下的比较组及目标权重，检查重参数化和先验设置，以及基准比较与异质性不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出识别条件和比较数值，模拟优势不保证在平行趋势失效时仍能有效识别。
原文摘要
This paper introduces the Difference-in-Differences Bayesian Causal Forest (DiD-BCF), a novel non-parametric model addressing key challenges in DiD estimation, such as staggered adoption and heterogeneous treatment effects. DiD-BCF provides a unified framework for estimating Average (ATE), Group-Average (GATE), and Conditional Average Treatment Effects (CATE). A core innovation, its Parallel Trends Assumption (PTA)-based reparameterization, enhances estimation accuracy and stability in complex panel data settings. Extensive simulations demonstrate DiD-BCF's superior performance over established benchmarks, particularly under non-linearity, selection biases, and effect heterogeneity. Applied to U.S. minimum wage policy, the model uncovers significant conditional treatment effect heterogeneity related to county population, insights obscured by traditional methods. DiD-BCF offers a robust and versatile tool for more nuanced causal inference in modern DiD applications.