Group-Level Treatment Effect Heterogeneity in Difference-in-Differences: A Balanced Approach
Swiss Institute of Empirical Economic Research, University of St. Gallen（圣加仑大学瑞士实证经济研究所）；Amsterdam School of Economics, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹经济学院）；Department of Economics, University of Southern Denmark（南丹麦大学经济学系）
提出平衡群体平均处理效应（BGATT），在标准条件平行趋势假设下隔离处理响应异质性与协变量组成差异，实现群体间效应比较与有效推断。
2026-06-24 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
Nonparametric Difference-in-Differences in Repeated Cross-Sections with Continuous Treatments
本文提出一种连续处理下基于重复截面数据的非参数双重差分识别策略，允许处理内生，利用数据自身定义对照组识别时间趋势，并给出平均及分位数处理效应的非参数估计量及其渐近性质，最后应用于收入对消费的影响。
2022-05-23 econ.EM
Difference-in-Differences with Geocoded Microdata
本文正式提出了一个共同的方法，估计在特定位置的治疗效果，使用地理编码的微观数据。该估计器将紧邻治疗的单位（内环）与稍远的单位（外环）进行比较。我介绍了直观的假设，需要确定受影响的单位之间的平均处理效应，并说明了陷阱时，这些假设失败。由于这些假设之一，需要了解究竟有多远的处理效应的经验，我提出了一种新的方法，放松这一假设，并允许使用分区为基础的最小二乘法开发的Cattaneo等非参数估计。（2019）.由于处理效应通常随距离衰减/变化，因此该估计器通过估计作为距处理的距离的函数的处理效应曲线来改进分析。这与传统方法相反，传统方法充其量只能确定治疗的平均效果。为了说明这种方法的优点，我表明Linden和Rockoff（2008）低估了犯罪风险增加对最接近治疗的房屋价值的影响，并高估了通过选择太宽的治疗环而产生的影响。
2021-10-19 econ.EM
Difference-in-Differences Estimation with Spatial Spillovers
针对地理边界分配处理时空间溢出导致经典双重差分估计有偏的问题，提出潜在结果框架分解偏差、给出非参数识别条件和半参数估计方法，并通过重分析三项地方干预验证溢出效应的重要性。
2023-06-10 econ.EM
Two-stage differences in differences
最近的文献表明，当治疗的采用是交错的，并且平均处理效应在各组之间和随着时间的推移而变化时，差异中差异回归不能识别治疗的典型效果的容易解释的测量。在本文中，我从两个方面扩展了这一文献。首先，我提供了一些简单的基本直觉，说明为什么差中差回归不能识别组$\times$周期平均处理效应。其次，我提出了一个替代的两阶段估计框架，由这种直觉的动机。在该框架中，在第一阶段从未治疗观察的样本中识别组和周期效应，在第二阶段通过比较治疗和未治疗的结果，在去除这些组和周期效应后，识别平均处理效应。两阶段方法对交错实施下的治疗效果异质性具有稳健性，可用于识别大量不同的平均处理效应指标。它也是简单、直观和易于实现的。我建立的两阶段的方法的理论属性，并证明其有效性和适用性，使用蒙特卡洛证据和文献中的一个例子。
2022-07-13 econ.EM
Instrumented Difference-in-Differences with Heterogeneous Treatment Effects
Yale University（耶鲁大学）
本文提出了一种新的仪器差分-in-差分方法，用于估计异质处理效应，并通过英国教育回报的实证研究展示其有效性。
2026-10-26 econ.EM
Using Pre-Trends for Inference in Difference-in-Differences
Sciences Po（巴黎政治学院）
研究利用多个预处理期的双重差分法推断问题，提出以预处理趋势为治疗后DID参考分布的简单推断程序，与现有共形推断程序相关但有独特识别限制，且无需平行趋势假设。
2026-07-24 econ.EM
Fuzzy Difference-in-Discontinuities: Identification Theory and Application to the Affordable Care Act
本文探讨了模糊断点回归设计的使用，在阈值处应用多个处理。识别结果表明，在非常强的假设下，治疗的概率在截止点的变化是相等的治疗，在不连续性的差异估计识别感兴趣的处理效应。如果在临界点应用治疗的概率变化在治疗间存在差异，则使用简单模糊不连续性差异设计的处理效应的点估计值存在偏倚。还提出了修改的模糊差分不连续性的方法，依赖于温和的假设。我们的研究结果表明，在模糊不连续性的存在下，应用前后方法时需要谨慎。使用全国健康访谈调查的数据，我们应用这种新的识别策略来评估《平价医疗法案》（ACA）对美国老年人医疗保健获得和利用的因果影响。
2021-04-17 econ.EM
Economic Causal Inference Based on DML Framework: Python Implementation of Binary and Continuous Treatment Variables
本研究基于模拟数据用Python实现DML框架，验证其在二元与连续处理变量下计算ATE的稳定性，并指出CATE计算是未来挑战。
2025-02-27 econ.EM
Doubly Robust Identification of Causal Effects of a Continuous Treatment using Discrete Instruments
本文提出一种双重稳健的因果估计方法，在平均处理单调性或处理秩相似性任一条件下均有效，用于二元工具变量下连续处理的因果识别，并通过睡眠对幸福感的影响验证了其与2SLS估计的一致性。
2024-02-26 econ.EM
An Effective Treatment Approach to Difference-in-Differences with General Treatment Patterns
本文针对一般处理模式下非二元且时变的差分中差分模型，提出以有效处理概念将处理路径降维，并构建双重稳健的识别、估计与推断方法，同时提供配套R软件包。
2023-05-29 econ.EM stat.ME
Difference-in-differences with "bad controls"
University of Georgia（佐治亚大学）；Vanderbilt University（范德堡大学）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
本文针对不良控制变量情形改进双重差分法，推导相关条件并开发两类估计量，扩展至交错式处理场景并应用于失业对收入影响的研究。
2026-09-03 econ.EM
Lee Bounds with a Continuous Treatment in Sample Selection
University of California Irvine（加州大学尔湾分校）；Institute of Economics, Academia Sinica（中央研究院经济研究所）
本研究将Lee界推广至连续或多值处理变量的样本选择模型，提出充分处理值假设，并采用双重去偏机器学习估计器，以在较弱假设下收紧因果效应界并捕捉异质性。
2025-10-28 econ.EM
Robust Difference-in-differences Models
本文针对双重差分法的平行趋势假设验证局限，提出鲁棒广义DID方法，通过选择偏差解读与多源信息构建识别集，可推广至多处理时期场景，兼具灵活性与易实现性。
2023-08-22 econ.EM
Extensions for Inference in Difference-in-Differences with Few Treated Clusters
在治疗单位较少的情况下，双重差分法（DID）估计量不一致，并且通常不是渐近正态的。这对推理提出了相关的挑战。虽然存在在这些环境中有效的推断方法，但当治疗时间和异质处理效应存在变化时，或为事件研究图推导统一置信带时，其中一些替代方法并不容易获得。我们提出的替代品在设置与几个治疗单位是有效的治疗时间和/或允许统一的置信带的变化。
2023-02-06 econ.EM
Two-Way Fixed Effects and Differences-in-Differences with Heterogeneous Treatment Effects: A Survey
具有时期和群体固定效应的线性回归被广泛用于估计政策效果：2015年至2019年，《美国经济评论》发表的100篇被引用最多的论文中有26篇估计了此类回归。最近的研究表明，如果政策的影响在不同群体之间或在一段时间内是不均匀的，这种回归可能会产生误导性的估计，而这种情况往往是如此。本调查回顾了快速增长的文献，记录了这个问题，并提出了其他估计稳健的异质性影响。我们使用这些替代估计重新访问Wolfers（2006）。
2022-06-20 econ.EM
Difference-in-Differences with Sample Selection
Department of Econometrics and Business Statistics, Monash University（莫纳什大学计量经济学与商业统计系）；IZA, Germany（德国IZA研究所）
本文研究了在存在内生样本选择的情况下，差分法中平均处理效应的识别问题，并通过实证案例展示了该方法的应用价值。
2026-02-16 econ.EM
Partial Mean Processes with Generated Regressors: Continuous Treatment Effects and Nonseparable Models
部分均值与生成的回归出现在几个计量经济学问题，如分布的潜在结果与连续治疗和分位数结构函数在一个不可分离的三角模型。本文提出了一种非参数估计的部分均值过程，其中第二步由一个核回归的回归估计在第一步。的主要贡献是一个统一的扩展，详细描述了如何与所产生的回归估计误差影响的边际积分估计的极限分布。一般结果用两个例子来说明：连续治疗的广义倾向评分（Hirano和Imbens，2004）和三角模型中的控制变量（Newey，Powell和Vella，1999; Imbens和Newey，2009）。一个实证应用的工作团计划评估证明了该方法的实用性。
2018-10-31 econ.EM
Continuous difference-in-differences with double/debiased machine learning
University of California, Los Angeles（加州大学洛杉矶分校）；Bates White Economic Consulting（贝茨怀特经济咨询）
本文提出了一种基于双/去偏机器学习的方法，用于估计连续处理下的平均处理效应，并通过实证研究验证了其有效性。
2026-11-08 econ.EM
Identification and Estimation of Optimal Continuous Treatment Effects
School of Economics, University of Sydney（悉尼大学经济系）
本文针对连续处理效应估计中的不适定密度得分问题，提出基于有界结果权重的一类加权平均导数效应，发展其最优有效估计目标的识别与估计理论，并推导有效影响函数及去偏机器学习估计器。
2026-09-17 econ.EM
Sensitivity Analysis for Treatment Effects in Difference-in-Differences Models using Riesz Representation
Freie Universität Berlin（柏林自由大学）；University of Hamburg Business School（汉堡大学商学院）；Economic AI（经济人工智能）；Heinrich Heine University Düsseldorf（杜塞尔多夫海因里希·海涅大学）
针对双重差分模型，提出基于Riesz表示的敏感性分析方法，评估平行趋势假设违背对估计的影响，扩展至交错处理设定，并通过模拟和实证验证。
2025-10-10 econ.EM
Difference-in-differences for mediation analysis using double machine learning
University of Fribourg（弗里堡大学）
本文提出基于双重机器学习的差分-in-差分方法，用于估计处理对结果的直接和间接效应，通过模拟和实证研究验证了方法的有效性。
2026-02-27 econ.EM
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
Estimating Treatment Effects in Mover Designs
研究人员越来越多地利用多种治疗方法的运动来估计因果关系。虽然这些“原动者回归”通常是由线性恒定效应模型驱动的，但在较弱的准实验假设下，它们所捕获的内容尚不清楚。我发现，二进制处理移动回归恢复四个差异的差异比较的凸平均值，因此因果关系的解释下，一个标准的平行趋势假设。然而，如果不对处理效应和随时间变化的冲击的异质性进行更严格的限制，多重处理模型的估计值就不一定是因果关系。我提出了一类两步估计隔离和合并的大集合的差异中的差异准实验产生的原动机设计，确定原动机平均处理效应条件下的协变量平行趋势和效果同质性限制。我在这个类的有效估计的特点，并得出规格测试模型的过度识别的限制。未来的草案将把这一理论应用于Finkelstein等人（2016）的移动设计，分析地理对医疗保健利用的因果影响。
2018-04-18 econ.EM
Which Policy Works, and Where? Estimation and Inference for State-Level Treatment Effects in Difference-in-Differences
Dalhousie University（达尔豪斯大学）；Carleton University（卡尔顿大学）；McGill University（麦吉尔大学）
该研究针对双重差分法，区分不同维度的亚组处理效应，提出UN-DID和DID-INT估计量，通过CPS模拟分析其推断特性，强调估计目标与方法需匹配政策场景。
2026-09-02 econ.EM
Triple Instrumented Difference-in-Differences
本文提出三重工具变量双重差分法，通过结果与处理的DDD估计量之比识别处理组的局部平均处理效应，并扩展至交错工具情形，给出估计与推断方法。
2025-01-24 econ.EM
Testing Shape Restrictions with Continuous Treatment: A Transformation Model Approach
University of Kent（肯特大学）
本文提出了一种基于转换模型的测试方法，用于检验处理效应的单调性及结果对处理的凹凸性，通过自助法获取临界值，并应用于南非贷款需求与利率的凸性检验。
2025-12-15 econ.EM
Data-Driven Policy Learning for Continuous Treatments
School of Management and Economics, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）经管学院）；Guanghua School of Management, Peking University（北京大学光华管理学院）
本文提出了一种基于数据的连续治疗政策学习方法，通过近似政策空间和机器学习倾向分数来优化经验福利。
2025-12-01 econ.EM
A Unified Framework for Specification Tests of Continuous Treatment Effect Models
我们提出了一个一般框架的规格测试的连续处理效应模型。我们假设一个一般的残差函数，其中包括作为特殊情况的平均和分位数处理效应模型。零模型是在无混淆条件下辨识的，包含一个非参数加权函数。我们提出了一个检验统计的零模型，其中的加权函数估计通过求解一组扩大的矩方程。我们建立了我们的检验统计量的零假设下，固定和本地的替代品的渐近分布。所提出的检验统计量被证明是更有效的比从真正的加权函数构造，并可以检测局部替代偏离零模型的速度为$O(N^{-1/2})$。给出了检验统计量零分布的模拟逼近方法。蒙特卡罗模拟表明，该检验具有良好的有限样本性能，应用表明了该方法的实用价值。
2021-09-03 econ.EM
Two Margins in Difference-in-Differences with a Continuous Treatment
School of Economics, University of Sydney（悉尼大学经济学院）
本文提出连续剂量双重差分中区分水平边际与响应边际的框架，证明OLS系数为二者凸组合，并给出估计与推断方法，应用于水力压裂研究。
2026-09-16 econ.EM
Difference-in-Differences with Multiple Events
本文针对交错双重差分设计中第二事件造成的遗漏偏差，提出两阶段DiD方法，并应用于最低工资对青少年就业的影响，发现ACA医疗补助扩展使短期估计减少三分之二。
2025-01-21 econ.EM
Beyond Parallel Trends in Staggered Difference-in-Differences: Identification under Higher-Order Parallelism
Centre for Health Economics, University of York（约克大学健康经济中心）
本文提出高阶平行性假设层次，替代传统平行趋势假设，在交错双重差分设计中实现队列特定和平均处理效应的点识别，并证明聚合定理。
2026-07-29 econ.EM
Entropy Balancing for Continuous Treatments
本文通过扩展Hainmüller（2012）的原始熵平衡方法，介绍了连续治疗的熵平衡（EBCT）。为了估计平衡权重，所提出的方法解决了一个全局凸约束优化问题。EBCT权重可靠地消除协变量和连续治疗变量之间的Pearson相关性。即使当基于广义倾向评分的其他方法由于对不同治疗强度的强选择而倾向于产生不充分的平衡时，情况也是如此。此外，优化过程更成功地避免了极端的重量附加到一个单一的单位。广泛的蒙特卡罗模拟表明，使用EBCT的处理效应估计值显示出相似或较低的偏倚和均匀较低的均方根误差。这些特性使EBCT成为一种有吸引力的连续治疗评价方法。
2020-05-28 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
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
Difference-in-Differences with Interference
本文研究了存在邻居干扰时标准DID估计量的失效问题，提出在修改平行趋势假设下的双重稳健估计量以估计直接平均处理效应和平均溢出效应，并讨论了放宽常见限制后的稳健推断。
2025-01-29 econ.EM
Doubly Robust Uniform Confidence Bands for Group-Time Conditional Average Treatment Effects in Difference-in-Differences
本文在交错双重差分设定下，提出基于局部多项式回归的三步估计与双重稳健推断方法，为连续协变量下的组-时期条件平均处理效应函数构建统一置信带，并提供了R包didhetero便于实现。
2025-07-15 econ.EM stat.ME
Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning
Queen Mary University of London（伦敦大学玛丽女王学院）；University of Fribourg（弗里堡大学）；Bates White Economic Consulting（贝茨怀特经济咨询公司）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出了一种基于双重/去偏机器学习的差分-in-差分方法，用于估计时间变化连续处理的平均处理效应，并通过巴西疫苗接种率的实证研究验证了其有效性。
2026-01-15 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
Synthetic Controls with Imperfect Pre-Treatment Fit
我们分析了合成控制（SC）和相关估计的性质时，预处理拟合是不完美的。在这个框架中，我们表明，这些估计一般是有偏的，如果治疗分配与未观察到的混杂因素，即使当治疗前的时期的数量趋于无穷大。尽管如此，我们表明，一个贬低版本的SC方法可以大大提高相对于差异估计的偏差和方差。我们还推导出一个规格测试demaed SC估计在这种设置与不完美的预处理适合。鉴于我们的理论结果，我们提供了实用的指导，应用研究人员如何证明在实证应用中使用这样的估计。
2021-01-12 econ.EM
Estimating a Continuous Treatment Model with Spillovers: A Control Function Approach
本文研究了一个通过社交网络存在治疗溢出的连续处理效应模型。我们假设一个人的结果不仅受到他/她自己的治疗的影响，而且还受到他/她邻居治疗的（加权）平均值的影响，这两者都被视为内生变量。使用具有适当工具变量的控制函数方法，我们表明可以非参数化地识别条件平均潜在结果。我们还考虑了一个更易于经验处理的半参数模型，并为这个模型开发了一个三步估计程序。作为一个实证说明，我们调查的区域失业率对犯罪率的因果关系。
2023-01-11 econ.EM stat.ME
Geographic Difference-in-Discontinuities
最近的计量经济学文献批评了使用回归不连续的行政边界作为“截止”。在这种情况下，识别是困难的，因为多种治疗方法可以在临界点改变，个人可以很容易地在边界的任何一边进行分类。本文扩展了Grembi等中讨论的不连续性差异框架。（2016）地理环境。本文正式确定在这种情况下，这将允许删除的时间不变的排序和复合治疗类似的差异，差异的方法的假设。
2021-09-16 econ.EM
Quantile and Distribution Treatment Effects on the Treated with Possibly Non-Continuous Outcomes
International Food Policy Research Institute（国际粮食政策研究所）；Culverhouse College of Business, University of Alabama（阿拉巴马大学卡尔弗豪斯商学院）
本文提出了一种分布差分-in-差分框架，用于在非连续分布结果的情况下识别和进行分布和分位数处理效应的统一推断，通过经济犯罪模型展示了如何处理计数类型的未处理潜在结果。
2026-05-20 econ.EM
Identification of dynamic treatment effects when treatment histories are partially observed
针对治疗历史部分可观测下的路径依赖型治疗效应识别问题，本文提出结合三类模型的稳健双重差分估计量，仅需两类模型设定正确即可识别目标参数，在缺失和模型偏误场景下推断更准确，应用中估计结果与传统方法有实质差异。
2025-06-17 econ.EM
Stacked Triple Differences
本文提出叠加三差分方法，通过构建自包含的叠加结构，解决传统三差分在 staggered adoption 下的解释问题，并提供新的加权方案以提高因果估计的透明度和准确性。
2026-05-18 econ.EM
Testing Monotonicity of Mean Potential Outcomes in a Continuous Treatment with High-Dimensional Data
虽然大多数治疗评价集中在二元干预，越来越多的文献也考虑连续分布的治疗。我们提出了一个Cramér-von Mises型检验，用于检验在弱不混淆假设下，特定治疗的平均潜在结果与治疗剂量是否具有弱单调关系。在一个不可分的结构模型，应用我们的方法相当于测试单调性的平均结构函数在连续处理的兴趣。为了在我们的测试方法中灵活地控制可能的高维协变量集，我们提出了一个双去偏机器学习估计器，它以数据驱动的方式解释协变量。我们表明，建议的测试控制渐近大小，并对任何固定的替代品是一致的。这些理论结果得到了蒙特卡罗模拟的支持。作为一个实证说明，我们应用我们的测试的工作团的研究和拒绝之间的弱负相关关系的治疗（小时在学术和职业培训）和劳动力市场表现相对较低的治疗值。
2022-08-27 econ.EM stat.ME
Doubly Robust Estimation of Treatment Effects in Staggered Difference-in-Differences with Time-Varying Covariates
Fred Hutchinson Cancer Center（弗雷德·哈钦逊癌症中心）；Shanghai University of Finance and Economics（上海财经大学）
本文提出双重鲁棒估计器，用于估计 staggered 差异-in-差异中时间变化协变量的处理效应，通过非参数方法解决负权重问题，并通过模拟和实证研究验证其有效性。
2026-10-01 econ.EM stat.ME
Estimating Causal Effects of Discrete and Continuous Treatments with Binary Instruments
MIT（麻省理工学院）；U of Bristol（布里斯托大学）；U of Michigan（密歇根大学）；CESifo（CESifo研究所）
提出基于局部copula的工具变量框架，通过恒定局部依赖性假设识别离散和连续治疗的因果效应，并应用于睡眠对幸福感的影响估计。
2026-09-09 econ.EM stat.ME
Misclassification in Difference-in-differences Models
Davidson College（戴维森学院）；UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
本文研究了双重差分模型中误分类处理变量对处理效应识别的影响，发现估计量存在偏差，恢复了两个子群体的平均处理效应加权平均，并提供了误分类程度的信息下界。
2026-04-30 econ.EM stat.ME
Causal Inference on Networks under Continuous Treatment Interference
针对连续处理与网络干扰下的非实验政策评估场景，提出基于广义倾向得分的估计量，可估计直接和溢出效应并适配异质强度的非对称网络，农业市场应用显示忽略干扰会低估政策有效性。
2023-06-12 econ.EM stat.AP stat.ME
Interpreting Event-Studies from Recent Difference-in-Differences Methods
Brown University（布朗大学）
本文探讨了近期差分-in-差分方法生成的事件研究图与传统TWFE方法的差异，并提出解释和应用建议。
2026-01-16 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
Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework
Sapienza University of Rome（罗马大学）；University of Molise（莫利塞大学）；University of Campania Luigi Vanvitelli（坎帕尼亚路易吉范维泰利大学）
本文提出基于聚类的因果框架，用于估计连续处理强度与结果之间的异质因果关系，通过分析欧洲凝聚力基金与经济增长的关系，揭示不同地区对资金的响应差异。
2026-03-04 econ.EM stat.ME
