Difference-in-Differences when Parallel Trends Holds Conditional on Covariates
John Munro Godfrey, Sr. Department of Economics, University of Georgia(佐治亚大学约翰·门罗·戈弗雷资深经济学系)
研究在协变量条件下平行趋势假设成立时的双重差分识别与估计策略,揭示双向固定效应回归的隐藏线性偏差,并提出替代估计方法。
2026-06-01 econ.EM
Prediction with Differential Covariate Classification: Illustrated by Covariate Classification in Medical Risk Assessment
University of Pennsylvania(宾夕法尼亚大学);Northwestern University(西北大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出差异性协变量分类框架,分析医疗风险评估中种族和民族分类差异对预测结果的影响,揭示证据在决策中的识别难题。
2025-12-05 econ.EM
Fragility in Average Treatment Effect on the Treated under Limited Covariate Support
针对局部协变量重叠下ATT识别问题,本文提出经验支撑诊断与基于选择曲率约束的敏感性框架,并用MAS-SI和脆弱性指数量化结论稳健性。
2025-06-10 econ.EM
Global Representation of the Conditional LATE Model: A Separability Result
本文研究了条件LATE模型的潜在指数表示,明确了协变量在治疗选择中的作用。我们发现,如果单调性条件的方向是相同的所有值的条件协变量,这是经常假设在文献中,那么治疗选择方程必须满足仪器和协变量之间的可分性条件。该全局表示结果确立了对协变量进入治疗选择方程的方式施加的可检验限制。我们后来扩展的表示定理,将多个有序的治疗水平。
2022-03-21 econ.EM
Causal Inference under Dynamic Selection and Latent Heterogeneity
University College London(伦敦大学学院)
本研究提出一种基于核函数的双重稳健估计方法,利用预处理结果历史控制潜在异质性,识别交错采纳下的动态处理效应,并应用于美国计划生育项目,估计其对生育率的影响。
2026-10-23 econ.EM
Testing the identification of causal effects in observational data
University of Fribourg(弗里堡大学);Heinrich Heine University Düsseldorf(杜塞尔多夫海因里希·海涅大学)
本文研究了在观测数据中检验治疗对结果的因果效应的可检验条件,通过机器学习方法提出测试该条件的检验方法,并在模拟研究中检验其渐近行为和有限样本性能,同时应用该方法评估生育对女性劳动力供给的影响,发现使用兄弟姐妹前两孩性别比作为工具变量时存在可检验假设的违反。
2026-05-19 econ.EM stat.ME
Identification in a Binary Choice Panel Data Model with a Predetermined Covariate
研究含前定二元协变量的二元选择面板数据模型的参数识别问题,给出参数无法点识别的条件,刻画并通过线性规划计算识别集,验证短面板下识别集仍具信息价值。
2023-07-22 econ.EM math.ST stat.ME
Identification and estimation of treatment effects in a linear factor model with fixed number of time periods
本文提出一种在线性因子模型中识别和估计ATT的新方法,无需处理前时期数趋于无穷,通过非线性变换协变量识别,并给出单受处理单元、多控制单元下的渐近无偏估计。
2025-03-27 econ.EM
Difference in Differences with Time-Varying Covariates
本文针对带时变协变量的双重差分场景,指出常用的含时变回归变量的双向固定效应回归存在多种估计偏误,提出了更稳健且易实现的双重稳健估计与回归调整/插补策略。
2024-06-24 econ.EM
Identification and Inference in General Bunching Designs
本文提出一般聚束设计中结构参数识别与推断的广义多项式策略,利用反事实密度解析性实现点识别,并在放松该条件时进行部分识别,蒙特卡洛模拟和 Saez(2010)数据重估显示其优于传统多项式方法。
2025-02-06 econ.EM
Identification in Dynamic Dyadic Network Formation Models with Fixed Effects
University of Pennsylvania(宾夕法尼亚大学)
本文在动态二元网络形成模型中研究了固定效应下的识别问题,结合面板数据和子图比较方法,提出半参数识别限制的改进条件。
2026-04-08 econ.EM
Two Sample Unconditional Quantile Effect
本文提出了一个新的框架来评估数据组合模型中的无条件分位数效应(UQE)。UQE测量协变量的无条件分布中的边际反事实变化对目标结果的无条件分布的分位数的影响。在秩相似性和条件独立性假设下,我们分别提供了一组目标协变量连续分布和离散分布时的UQE识别结果。基于这些识别结果,我们提出了半参数估计,并建立了原始条件下的大样本性质。将我们的方法应用到明瑟收入函数的一个变体上,我们研究了实际工作经验对收入的反事实分位数效应。
2021-05-20 econ.EM
Decomposing Identification Gains and Evaluating Instrument Identification Power for Partially Identified Average Treatment Effects
本文考察了部分可辨识模型中工具变量对平均处理效应的辨识能力。我们将ATE识别收益分解为由IV相关性、IV强度、治疗内分泌的方向和程度以及通过外生协变量进行匹配所驱动的贡献分量。我们的分解证明了图形说明,模拟研究和经验的例子生育和妇女的劳动力供应。我们的分析提供了见解,了解复杂的作用,静脉在ATE识别和选择静脉在实际的政策设计。模拟还表明,我们的分析用于检测不相关的仪器的潜在用途。
2022-09-05 econ.EM
Meaningful causal decompositions in health equity research: definition, identification, and estimation through a weighting framework
因果分解分析可以帮助建立证据基础的干预措施,解决健康差距(不公平)。他们问,在假设的干预下,结果的差异可能会如何改变。通过研究设计和假设,他们可以排除其他解释,如混杂,选择偏倚和测量误差,从而确定潜在的干预目标。不幸的是,关于因果分解分析和相关方法的文献在很大程度上忽视了实际干预者会尊重的公平问题,限制了它们的相关性和实用价值。本文解决这些问题,明确考虑协变量的结果差异和假设的干预调整(所谓的允许协变量)和这些选择传达的公平价值判断,从生物伦理学,生物统计学,流行病学和卫生服务的研究文献。从这个讨论中,我们概括分解估计和公式,将允许的协变量集,以反映股权的选择,同时仍然允许调整非允许的协变量需要满足因果假设。对于这些一般公式,我们提供了基于加权的估计的基础上调整的比率中介概率和逆优势比加权。我们讨论了当这些估计减少到已经使用的估计在某些股权价值判断,和一个新的适应在其他判断。
2020-09-15 econ.EM stat.ME
Event Studies with Feedback
McMaster University(麦克马斯特大学);University of Pittsburgh(匹兹堡大学)
本文提出了一种动态面板事件研究框架,通过分离直接和间接效应,解决处理效应与内生协变量调整的混淆问题,并提供评估各效应重要性的算法。
2026-01-09 econ.EM
Inference for Nonlinear Endogenous Treatment Effects Accounting for High-Dimensional Covariate Complexity
针对含高维协变量的非线性内生处理效应,本文提出结合控制函数与双重偏差校正的非参数推断方法,并构建边际效应函数置信带。
2024-06-18 econ.EM
Covariate Balancing Sensitivity Analysis for Extrapolating Randomized Trials across Locations
从不同地点的随机对照试验(RCT)中概括实验结果的能力对于为目标地区的政策决策提供信息至关重要。由于未测量的效应修饰剂损害了处理效应估计值从一个位置到另一个位置的直接运输,因此缺乏可识别性常常阻碍这种推广。我们建立在观察性研究的敏感性分析,并提出了一个优化程序,使我们能够得到在目标区域的处理效应的界限。此外,我们通过平衡协变量的矩来构造更多信息的边界。在模拟实验中,我们表明,协变量平衡的方法是有前途的,在获得更尖锐的识别区间。
2021-12-09 econ.EM stat.ME
Partial Identification and Inference for Conditional Distributions of Treatment Effects
本文研究可观测协变量下处理效应条件分布的识别与推断,利用 Makarov 界限给出其上下界,并针对内生处理提出随机占优假设收紧界限,构建了支撑集上一致有效的非参数估计框架。
2023-11-22 econ.EM
Inference under Covariate-Adaptive Randomization with Imperfect Compliance
本文针对协变量自适应随机化且处理不完美依从的随机对照试验,研究完全饱和IV回归等LATE估计量的渐近性质,提出方差最小化策略并通过模拟与实证验证其有效性。
2023-07-24 econ.EM
Sufficient Statistics for Markovian Feedback Processes and Unobserved Heterogeneity in Dynamic Panel Logit Models
The Ohio State University(俄亥俄州立大学)
本文研究动态面板logit模型中状态依赖、一阶马尔可夫反馈过程和个体未观测异质性的识别问题,通过引入反馈过程和未观测异质性的充分统计量,证明在序列外生离散协变量遵循一阶马尔可夫过程时,条件似然法无法识别,需额外限制条件。
2026-04-30 econ.EM
Testing identification in mediation and dynamic treatment models
University of Fribourg(弗里堡大学);University of Munich(慕尼黑大学);Matej Bel University(马特伊·贝尔大学);Norwegian School of Economics(挪威经济学院)
基于Huber和Kueck(2022)的检验,提出一种利用两组观测变量(协变量和疑似工具)来检验中介和动态处理模型中因果效应识别的方法,并应用于斯洛伐克劳动力市场数据。
2026-06-05 econ.EM stat.ME
Regression Discontinuity Design with Multivalued Treatments
研究了多值处理变量的断点回归设计(RDD)中的识别和估计问题。我们还允许包含协变量。我们表明,没有额外的信息,处理效应没有确定。我们给必要和充分条件,导致识别的LATE以及加权平均的条件LATE。我们表明,如果第一阶段的多个治疗条件的协变量的不连续性是线性独立的,那么它是可能的,以方便可识别的权重识别多元加权平均值的处理效应。此外,如果处理效应不随某些协变量而变化,或者可以假设灵活的参数结构,则可以识别(实际上,过度识别)所有的处理效应。过度识别可以用来检验这些假设。我们提出了一个简单的估计,它可以在软件包中编程为一个两阶段最小二乘法回归,和包装的标准误差和测试也可以使用。最后,我们实施我们的方法来确定不同类型的保险覆盖对医疗保健利用的影响,如Card,Dobkin和Maestas(2008)。
2020-07-01 econ.EM stat.ME
The Power of Prognosis: Improving Covariate Balance Tests with Outcome Information
Stanford University(斯坦福大学);Princeton University(普林斯顿大学);University of California, Berkeley(加州大学伯克利分校)
针对协变量与潜在结果无关时平衡检验失效的问题,提出基于预后评分的自助法平衡检验,通过预后加权提升与结果相关的协变量权重,有效避免假阴性与假阳性。
2025-10-13 econ.EM stat.ME
Automatic Debiased Machine Learning for Dynamic Treatment Effects and General Nested Functionals
MIT Economics(麻省理工学院经济系);Harvard Economics(哈佛大学经济系);Stanford MS&E(斯坦福大学工业工程与运营研究系)
本文提出自动递归方法用于动态治疗效应和通用嵌套函数的推断,结合神经网络和随机森林实现灵活估计,并引入递归里斯代表式作为技术贡献。
2026-07-22 cs.LG econ.EM math.ST
Partial Identification of Policy-Relevant Treatment Effects with Instrumental Variables via Optimal Transport
Stanford University(斯坦福大学)
本文提出通过约束条件下的条件最优传输问题,解决工具变量下政策相关处理效应的部分可识别问题,提出新的估计和推断方法,实验证明其优于传统方法。
2026-04-25 econ.EM stat.ME
When Do Treatment Changes Identify Causal Effects?
University of Fribourg(弗里堡大学)
本文澄清了基于治疗变化而非治疗水平的因果推断的识别假设,并展示了其与传统识别策略的关系,提出了非嵌套假设下的双重稳健性结果。
2026-06-24 econ.EM stat.ME
Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms
University of Fribourg(弗里堡大学);University of Munich(慕尼黑大学);ifo Institute(伊弗经济研究所);Matej Bel University(马特伊·贝尔大学);Norwegian School of Economics(挪威经济学院)
提出检验随机分配治疗是否完全通过中介变量影响结果,以及不同中介的因果机制是否可识别,并扩展至非随机治疗情形。
2026-06-05 econ.EM stat.ML
Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
University of Notre Dame(内布拉斯加大学)
本文提出协变量调整深度因果学习(CoDEAL),结合非线性协变量组件与多输出自编码器因子结构,以估计面板数据中的异质性处理效应,并通过矩阵补全实现反事实插补,理论保证收敛且实证表现优异。
2026-11-10 cs.LG econ.EM stat.ME
Moment-Based Inference for Regression with Latent Dirichlet Covariates
UCL(伦敦大学学院)
针对回归前使用主题模型降维导致的推断困难,提出一种基于校正谱矩的方法,直接识别回归系数β,避免估计文档级主题份额,并通过可交换性条件估计未知总浓度α0,实现有效推断。
2026-05-29 econ.EM stat.ME stat.ML