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。
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：摘要明确研究两期面板中的处理效应识别、无混杂、共同趋势与双重差分检验。
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，无混杂和共同趋势分别支持不同的已处理者平均处理效应识别策略；如何利用它们共同带来的限制检验模型相容性？
- 方法与思路
- 作者提出过度识别联合检验，使用可结合机器学习调整观测混杂的双重稳健统计量，并通过因果模型讨论、模拟及五个应用考察其表现。
- 材料陈述的贡献
- 摘要称，方法为两项非嵌套识别假设提供联合检验工具，并比较其在不同因果模型中的成立情况；五个公开数据应用中有两个拒绝原假设。
- 阅读关注点
- 应核对检验原假设和可观测限制的关系、统计量的双重稳健条件，以及拒绝或不拒绝能否区分两项假设、哪些违反情形无法被检出。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明完整检验条件与功效边界；不拒绝联合限制不能被理解为两项识别假设均已验证。
原文摘要
This paper introduces 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 the unconfoundedness assumption, treatment assignment and post-treatment outcomes are independent, conditional on control variables and pre-treatment outcomes, which motivates including pre-treatment outcomes in the set of controls. Conversely, under the common trends assumption, the trend and the treatment assignment are independent, conditional on control variables. This motivates employing a Difference-in-Differences (DiD) approach by comparing the differences between pre- and post-treatment outcomes of the treatment and control group. 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 various causal models that imply the satisfaction of either common trends, unconfoundedness, or both assumptions jointly, and we investigate the finite sample properties of our test through a simulation study. Additionally, we apply the proposed method to five empirical examples using publicly available datasets and find the test to reject the null hypothesis in two cases.