Two-way fixed effects estimators with heterogeneous treatment effects
本文揭示双向固定效应线性回归在处理效应异质性下可能因负权重而产生误导性估计，并提出一种新的估计量加以修正，在两个应用中验证了其与传统方法的显著差异。
2020-03-05 econ.EM
Difference-in-Differences Estimators for Treatments Continuously Distributed at Every Period
Sciences Po Paris（巴黎政治学院）；CREST-ENSAE（法国国家统计与经济研究所经济研究中心）；Princeton University（普林斯顿大学）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
本文提出了一种用于连续分布处理的差异-差异估计方法，通过区分转换者和保持者，非参数地识别处理效应，并提出双重鲁棒的估计量。
2026-07-22 econ.EM
Stratifying on Treatment Status
本文针对按治疗状态分层样本，指出标准治疗效果估计量不一致，提出一致估计量并刻画其渐近分布。
2025-04-25 econ.EM
The Exact Variance of the Average Treatment Effect Estimator in Cluster Randomized Controlled Trials
School of Management and Economics, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）经管学院）；Department of Economics, University of Southern California（南加州大学经济学系）
本文提出了一种在集群随机对照试验中计算平均处理效应估计量精确方差的方法，并提供了一个可实现的上限估计，从而改进了置信区间的有效性与精度。
2025-12-16 econ.EM
The Mode Treatment Effect
均值、中位数和众数是概率分布中心性的三个基本度量。在项目评价中，平均处理效应（均值）和分位数处理效应（中位数）在过去几十年中得到了广泛的研究。然而，模式处理效应在项目评价中却长期被忽视。本文通过讨论模式处理效应的估计和推断填补了这一空白。我提出了传统的内核和机器学习方法来估计模式处理效应。我还推导出所提出的估计量的渐近性质，并发现这两个估计量遵循渐近正态性，但收敛速度慢于经常率$\sqrt{N}$，这是从经典的平均和分位数处理效应估计率不同。
2020-07-22 econ.EM
Estimation and Inference for Policy Relevant Treatment Effects
政策相关处理效应（PRTE）衡量从现状政策转换为反事实政策的平均效果。PRTE的估计涉及多个初步参数的估计，包括倾向评分、结局的条件期望函数和协变量（给定倾向评分）以及边际处理效应。这些初步估计可以影响渐近分布的PRTE估计在复杂和棘手的方式。鉴于此，我们提出了一个正交得分的双重去偏估计的PRTE，从而获得的渐近分布的PRTE估计没有任何影响的初步参数估计，只要他们满足温和的收敛速度的要求。据我们所知，本文是第一个发展极限分布理论的推断有关的PRTE。
2020-07-16 econ.EM
Higher-Order Debiased Estimators for General Treatment Models
Institute of Statistics & Big Data, Renmin University of China（中国人民大学统计与大数据研究院）；Institute of Natural Sciences, MOE–LSC, School of Mathematical Sciences, CMA–Shanghai, SJTU–Yale Joint Center for Biostatistics and Data Science, Shanghai Jiao Tong University（上海交通大学数学科学学院自然科学研究院、MOE-LSCEA-Mathematics上海中心、上交-耶鲁生物统计与数据科学联合中心）
针对复杂参数（如分位数处理效应）的M/Z估计问题，提出基于高阶影响函数的估计量，放宽了干扰参数的Hölder光滑性假设，并利用U过程理论推导统计性质。
2026-06-24 econ.EM
A Simple and Efficient Estimation of the Average Treatment Effect in the Presence of Unmeasured Confounders
Wang和Tchetgen Tchetgen（2017）研究了当某些混杂因素未测量时，平均处理效应的识别和估计。在他们的识别条件下，他们证明了半参数有效影响函数依赖于五个未知泛函。他们建议将所有泛函参数化，并通过用估计泛函替换未知泛函，从有效影响函数估计平均处理效应。他们建立了当某些泛函被正确指定时，他们的估计量是一致的，并且当所有泛函都被正确指定时，他们的估计量达到半参数有效界。在应用程序中，这些泛函很可能都被错误指定。因此，他们的估计可能是不一致的或一致的，但不是有效的。本文提出了一种替代估计，不需要参数化的任何泛函。我们建立了所提出的估计总是一致的，总是达到半参数效率界。给出了一个简单直观的渐近方差估计，小规模的模拟研究表明，在有限样本下，所提出的估计优于现有的替代方案。
2018-07-16 econ.EM
Graph-Laplacian Variance Estimators for Finely Stratified Experiments
University of Southern California（南加州大学）；University of Chicago（芝加哥大学）；Stanford University（斯坦福大学）；University of Toronto（多伦多大学）
本文针对精细分层实验，提出度校准图拉普拉斯方差估计器，推导其偏差性质，提出正则化图估计器以权衡局部性与最坏情况偏差，通过模拟验证相关结论。
2026-08-12 econ.EM
Treatment Effect Estimators as Weighted Outcomes
本文提出推导处理效应估计量结果权重的通用框架，明确矩条件表示与加权表示的数值等价条件，推导了双重机器学习、广义随机森林等经典实例的新权重，并指出部分线性回归类估计量的标准实现权重不满足求和为一的理想性质。
2024-12-12 econ.EM
Calibrating doubly-robust estimators with unbalanced treatment assignment
针对处理组样本稀少导致倾向得分估计不稳的问题，本文扩展 DML，通过欠采样建模并校准得分以匹配原始分布，在保持渐近性质的同时改善有限样本表现。
2024-06-11 econ.EM stat.ML
A Short Note on Event-Study Synthetic Difference-in-Differences Estimators
该研究提出合成双重差分（SDID）估计量的事件研究扩展方法，证明Arkhangelsky等人（2021）的估计量可分解为动态处理效应估计量，且可通过sdid_event Stata包实现计算。
2024-11-01 econ.EM
Factor-Augmented Panel Regressions and Variance-Weighted Treatment Effects
University of Amsterdam（阿姆斯特丹大学）；Tinbergen Institute（蒂尔堡研究所）；University of Oxford（牛津大学）；Nuffield College（纽菲尔德学院）
本文通过方差加权平均处理效应视角重新审视包含未观测异质性的面板回归，证明两种两方式面板估计量在非参数假设下收敛于可解释的估计量，探讨了单个和多个回归变量扩展时的挑战。
2026-04-20 econ.EM
The finite sample performance of instrumental variable-based estimators of the Local Average Treatment Effect when controlling for covariates
本文研究了有限样本性能的一系列参数，半参数，和非参数工具变量估计时，控制一组固定的协变量，以评估局部平均处理效应。我们的模拟设计基于美国的经验劳动力市场数据，并在几个维度上有所不同，包括效应异质性、工具选择性、工具强度、结果分布和样本量。在所考虑的估计器和模拟中，基于随机森林（以数据驱动方式控制协变量的机器学习器）的非参数估计在（基于引导的）95%置信区间的平均覆盖率方面具有竞争力，同时也相对精确。非参数核回归以及某些版本的半参数半径匹配的倾向得分，配对的协变量，逆概率加权也有一个不错的覆盖范围，但不如随机森林为基础的方法精确。在LATE估计的平均均方根误差方面，核回归表现最好，紧随其后的是随机森林方法，其具有最低的平均绝对偏差。
2022-12-14 econ.EM
On the Properties of the Synthetic Control Estimator with Many Periods and Many Controls
当预处理周期数和控制单元数都很大时，我们考虑了合成控制（SC）估计的渐近性质。如果潜在结果遵循线性因子模型，我们提供条件，在该条件下，SC单元的因子载荷概率收敛于处理单元的因子载荷。当权重在越来越多的控制单元中被稀释时，这会发生，使得控制单元的因子载荷的加权平均值渐进地重建处理单元的因子载荷。在这种情况下，SC估计是渐近无偏的，即使当治疗分配与时变不可观测。即使当控制单元的数量大于预处理周期的数量时，该结果也是有效的。
2020-05-26 econ.EM
Forecasted Treatment Effects
McMaster University（麦克马斯特大学）；University College London（伦敦大学学院）；Oxford University（牛津大学）
本文提出了一种基于预测无偏性的方法，用于在无对照组情况下估计平均治疗效应，通过简单基函数回归实现无偏预测，避免了参数模型的假设风险。
2026-01-12 econ.EM
Logit-based alternatives to two-stage least squares
UCLA（加州大学洛杉矶分校）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出基于logit的工具变量估计方法，用于替代传统两阶段最小二乘法，提升因果可解释性。
2026-11-04 econ.EM math.ST stat.TH
Inference under Covariate-Adaptive Randomization with Multiple Treatments
本文研究了多个治疗方案下协变量自适应随机化随机对照试验的推断问题。更具体地说，我们研究了一种或多种治疗相对于其他治疗或对照的平均效果的推断。如Bugni et al.（2018）所述，协变量自适应随机化是指首先根据基线协变量进行分层，然后分配治疗状态以实现各分层内平衡的随机化方案。与Bugni et al.（2018）相比，我们不仅允许多种治疗，而且还允许分配给每种治疗的单位比例在层间变化。我们首先研究来自完全饱和线性回归的估计量的性质，即，每种治疗的指标与每一层的指标之间所有相互作用的结果的线性回归。我们表明，这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是无效的，另一方面，测试的基础上，这些估计和适当的估计，我们提供的渐近方差是准确的。对于分配给每个处理的目标单位比例在不同层之间没有变化的特殊情况，我们还考虑了基于从具有层固定效应的线性回归中得出的估计量的检验，即，每种治疗的指标和每一层的指标的结果的线性回归。我们表明，这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是保守的，但测试的基础上，这些估计和适当的估计，我们提供的渐近方差是准确的。模拟研究说明了我们的理论结果的实际意义。
2019-01-17 econ.EM stat.ME
Difference-in-Differences Estimators When No Unit Remains Untreated
Sciences Po Paris（巴黎政治学院）；Northwestern University, Kellogg School of Management（西北大学凯洛格管理学院）；CREST-ENSAE（法国国家统计与经济研究所研究中心）；Ludwig-Maximilians-University Munich（慕尼黑路德维希-马克西米利安大学）
本文研究了在两期面板数据中，单位在第一期未被处理，第二期接受正剂量的处理效应估计。提出利用准未处理单位的加权平均斜率估计方法，并提出无准未处理单位的设计估计量及同质效应假设检验。
2026-10-12 econ.EM
Covariate Balancing and the Equivalence of Weighting and Doubly Robust Estimators of Average Treatment Effects
本文证明在采用特定协变量平衡方法估计倾向得分时，IPW、AIPW和IPWRA估计量对ATE和ATT在数值上等价，并探讨了该等价性对工具变量和双重差分方法的简化意义。
2025-09-21 econ.EM stat.ME
Double Debiased Machine Learning Nonparametric Inference with Continuous Treatments
本文提出连续处理因果效应的双重稳健 DML 推断框架，结合核矩函数与交叉拟合，使非参数或高维 nuisance 估计不影响一阶渐近分布，并通过模拟和职业培训评估验证。
2023-09-28 econ.EM
Estimating the effect of treatments allocated by randomized waiting lists
超额订购的治疗通常使用随机等候名单进行分配。申请人随机排名，并根据排名提供治疗，直到所有座位都被填满。为了估计因果关系，研究人员经常比较申请人得到和没有得到录取通知书。我们发现这两组在统计上没有可比性。因此，从这种比较中得出的估计量是不一致的。我们提出了一个新的估计，并证明了它是一致的。最后，我们重新审视一个应用程序，我们表明，使用我们的估计可以导致使用常用的估计所获得的结果大不相同。
2018-10-22 econ.EM stat.ME
Statistical Power for Estimating Treatment Effects Using Difference-in-Differences and Comparative Interrupted Time Series Designs with Variation in Treatment Timing
本文开发了新的封闭形式的方差表达式的权力分析常用的差异中的差异（DID）和比较中断时间序列（CITS）面板数据估计。主要贡献是将治疗时间的变化纳入分析。把握度公式还考虑了实践中出现的其他关键设计特征：自相关误差、不等测量间隔和治疗分配单位引起的聚类。我们考虑横截面和纵向模型的幂公式，并允许协变量。说明性功效分析为适当的样本量提供了指导。关键发现是，考虑到治疗时间增加，需要样本量。此外，DID估计器具有比标准CITS和ITS估计器大得多的功率。可用的Shiny R仪表板为所考虑的估计量执行样本量计算。
2021-10-14 econ.EM stat.ME
Abadie's Kappa and Weighting Estimators of the Local Average Treatment Effect
本文基于 Abadie 的 kappa 定理比较 LATE 的加权估计量，证明归一化估计量更具尺度与平移不变性，并推荐单侧不合规下分母严格为正的估计量。
2024-02-28 econ.EM stat.ME
Automatic Double Machine Learning for Continuous Treatment Effects
本文引入并证明了连续处理效应的一个新的非参数估计的渐近正态性。具体而言，我们估计平均剂量反应函数-在特定治疗水平下感兴趣的结果的预期值。我们利用双去偏机器学习（DML）和自动双重机器学习（ADML）文献的工具来构建我们的估计。我们的估计采用了一种新的去偏置方法，导致很好的理论稳定性和平衡性能。在模拟中，我们的估计表现良好，目前的方法相比。
2021-04-21 econ.EM math.ST stat.ML
Gaussian and Bootstrap Approximation for Matching-based Average Treatment Effect Estimators
本文为基于协变量和秩匹配的ATE估计量建立了高斯近似界，采用Malliavin-Stein方法量化匹配数量和处理平衡性的影响，并开发了乘数自助法程序以构建非渐近有效的置信区间。
2024-12-22 econ.EM math.PR math.ST
On regression-adjusted imputation estimators of the average treatment effect
使用估计的回归函数插补缺失的潜在结果是估计因果效应的自然想法。在文献中，估计相结合的插补和回归调整被认为是可比的增广逆概率加权。因此，人们长期以来一直认为，这种估计方法在避免直接构建权重的同时，也具有双重鲁棒性（Imbens，2004; Stuart，2010）。推广作者的早期结果（Lin等人，2021），本文形式化了这一猜想，表明一大类回归调整插补方法确实是双重稳健的估计平均治疗效果。此外，只要密度和回归模型都被正确指定，它们就可以证明是半参数有效的。我们的理论所涵盖的填补方法的显着例子包括核匹配，（加权）最近邻匹配，局部线性匹配和（诚实）随机森林。
2023-01-19 econ.EM math.ST stat.TH
Simple Standard Errors for Complicated (Quasi-)Experimental Designs
UC Davis（加州大学戴维斯分校）；Brown University（布朗大学）
该研究针对个体间存在复杂依赖模式的（准）实验设计，提出一种简易方差估计量，其在模拟与实证研究中表现良好，部分场景下标准误较现有方法短2-3倍。
2026-10-12 econ.EM stat.ME
A Note on Doubly Robust Estimator in Regression Discontinuity Designs
Department of Basic Science, The University of Tokyo（东京大学基础科学系）
本文提出了用于断点回归设计的双稳健估计量（DR-RD），通过结合两个条件期望结果估计量，在至少一个估计量一致时即可保证处理效应估计的一致性，从而增强了估计的稳健性。
2025-01-27 cs.LG econ.EM math.ST
Trading-off Bias and Variance When the Size of the Treatment Effect is Bounded
Sciences Po（巴黎政治学院）
本文研究在 CATE 大小或异质性有界条件下，通过推导极小化极大线性估计量和置信区间来权衡 ATE 估计中的偏差与方差，并在实证中取得约 5% 的精度提升。
2025-11-10 econ.EM math.ST stat.TH
Covariate Distribution Balance via Propensity Scores
本文提出了新的估计的倾向得分，旨在最大限度地提高协变量分布平衡不同的治疗组。启发式地，我们提出的程序试图通过使不同治疗组的潜在协变量分布尽可能接近来估计倾向评分模型。我们的估计是数据驱动的，不依赖于调谐参数，如带宽，承认一个渐进的线性表示，并可用于估计不同的治疗效果参数在不同的识别假设，包括unconfoundedness和本地处理效应。我们推导出的平均，分布，和分位数的处理效应的基础上提出的倾向得分估计的逆概率加权估计的渐近性质，并说明其有限样本性能通过蒙特卡罗模拟和两个实证应用。
2020-04-04 econ.EM math.ST stat.ME
Unveiling the Potential of Robustness in Selecting Conditional Average Treatment Effect Estimators
The Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）
针对现有CATE估计器选择方法需拟合nuisance参数、未聚焦鲁棒性选择的问题，本文提出无nuisance依赖的分布鲁棒指标DRM，可有效选出对协变量偏移、隐藏混杂引发的分布偏移鲁棒的CATE估计器。
2024-10-31 cs.AI cs.LG econ.EM
Robust Causal Learning for the Estimation of Average Treatment Effects
经济学和医疗保健中的许多实际决策问题寻求从观察数据估计平均处理效应（ATE）。双/去偏机器学习（DML）是观察性研究中估计ATE的常用方法之一。然而，DML估计器可能会遇到错误复合问题，甚至在倾向分数被错误指定或非常接近0或1时给出极端估计。以往的研究已经克服了这个问题，通过一些经验技巧，如倾向得分修剪，但现有的文献没有解决这个问题，从理论的角度来看。在本文中，我们提出了一个强大的因果学习（RCL）方法来弥补的不足之处的DML估计。从理论上讲，RCL估计i）与DML估计一样具有相容性和双重稳健性，ii）可以摆脱误差复合问题。从经验上讲，综合实验表明，i）RCL估计比DML估计给出更稳定的因果参数估计，ii）当在模拟和基准数据集上应用不同的机器学习模型时，RCL估计优于传统估计及其变体。
2022-09-05 econ.EM q-fin.RM stat.ME
Neighborhood Adaptive Estimators for Causal Inference under Network Interference
Duke University（杜克大学）；Yale University（耶鲁大学）；The Fuqua School of Business, Duke University（杜克大学福库商学院）
针对网络干扰下因果效应估计问题，提出邻域自适应估计量，通过考虑所有可能的干扰半径并引入合成处理解耦依赖关系，实现了对处理组平均直接处理效应的有效估计。
2025-03-04 cs.LG econ.EM stat.ML
Multiply Robust Causal Mediation Analysis with Continuous Treatments
Division of Biostatistics, Department of Population Health Sciences, University of Utah（犹他大学人口健康科学系生物统计部）；Department of Mathematics and Statistics, Boston University（波士顿大学数学与统计系）；Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）
本文提出一种适用于连续处理的中介分析方法，通过核平滑技术实现多重稳健性和渐近正态性，避免强参数假设。
2026-06-29 cs.LG econ.EM math.ST
Design-Robust Two-Way-Fixed-Effects Regression For Panel Data
本文提出融合分配机制权重的双向固定效应估计量，在一般处理模式下具备双重稳健性，并可扩展至动态处理效应。
2024-03-04 econ.EM econ.GN q-fin.EC
Robust Orthogonal Machine Learning of Treatment Effects
City University of Hong Kong（香港城市大学）；Renmin University of China（中国人民大学）
因果学习是获得稳定预测和回答决策中的\textit{what if}问题的关键。在因果学习中，寻求从观察数据估计平均处理效应（ATE）的方法是核心。双偏/去偏机器学习（DML）是估计ATE的常用方法之一。然而，DML估计器可能遭受\textit{error-compounding issue}，甚至在倾向得分接近0或1时给出极端估计。以往的研究都是通过倾向得分修正等经验技巧来克服这一问题的，但还没有从理论上解决这一问题。在本文中，我们提出了一个\textit{Robust Causal Learning (RCL)}方法，以弥补不足的DML估计。理论上，RCL估计满足（高阶）正交条件，与DML估计一样是\textit{consistent and doubly robust}，并且避免了误差复合问题.综合实验表明：i）RCL估计比DML给出了更稳定的因果参数估计; ii）在模拟和基准数据集以及WGAN生成的模拟消费信贷数据集上应用不同的机器学习模型时，RCL估计优于传统估计及其变体。
2022-12-06 cs.LG econ.EM q-fin.ST
Estimating Treatment Effects with Observed Confounders and Mediators
Carnegie Mellon University（卡内基梅隆大学）
给定一个因果图，do演算可以将处理效应表示为可以凭经验估计的观测联合分布的泛函。有时do演算识别多个有效公式，促使我们比较相应估计量的统计特性。例如，后门公式适用于观察到所有混杂因素时，前门公式适用于观察到的中介传递因果效应时。在本文中，我们研究了过度识别的情况下，观察到的混杂因素和介质，使两个估计有效。针对线性高斯因果模型，我们证明了任何一个估计量都可以通过一个无界的常数因子支配另一个估计量。接下来，我们推导出一个最优估计，它利用所有观测变量，并限制其有限样本方差。我们表明，它严格优于后门和前门估计，这种改善可以是无限的。我们还提出了一个程序相结合的两个数据集，一个观察到的混杂因素和观察到的介质。最后，我们评估我们的方法模拟数据和IHDP和JTPA数据集。
2021-06-14 cs.LG econ.EM stat.ME
Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction
我们提出一种利用机器学习进行回归调整的方法，以估计随机实验中的分布处理效应，通过纳入预处理协变量来降低估计器方差，并提供了渐近性质和一致推断方法，模拟与实证均验证其有效性。
2024-07-22 econ.EM math.ST stat.ML
Local-Polynomial Estimation for Multivariate Regression Discontinuity Designs
Institute of Economic Research Hitotsubashi University（一桥大学经济研究所）；Graduate School of Economics and Management, Tohoku University（东北大学经济管理学院）；Center for Spatial Information Science, The University of Tokyo（东京大学空间信息科学中心）
本文提出了一种多变量回归不连续设计的局部线性估计方法，用于捕捉边界处的异质性治疗效应，并在实证研究中展示了其更小的误差和更短的置信区间。
2026-01-23 econ.EM stat.AP stat.ME
PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units
Mizuho-DL Financial Technology, Co., Ltd.（Mizuho-DL金融科技公司）
针对仅观察处理组和未标记组的设定，本文推导出半参数有效界并构建了达到该界的平均处理效应（ATE）半参数有效估计量，为缺失数据因果推断和弱监督学习做出贡献。
2025-05-28 cs.LG econ.EM math.ST
What Makes Treatment Effects Identifiable? Characterizations and Estimators Beyond Unconfoundedness
Yale University（耶鲁大学）
本文提出超越无混杂性和重叠性假设的充分必要条件以识别平均处理效应，并证明在断点回归等场景下可从有限样本估计该效应，为连接学习理论与因果推断开辟新途径。
2025-06-30 cs.LG econ.EM math.ST
