Difference-in-differences (DiD) is a popular method to evaluate causal effects of real-world policy interventions. To identify the average treatment effect on the treated, DiD relies on the parallel trends (PT) assumption, which states that the time trends for the average of treatment-free potential outcomes are parallel across the treated and control groups. A well-known limitation of the PT assumption is its lack of generalization to causal effects for discrete outcomes and to nonlinear effect measures. In this paper, we consider Universal Difference-in-Differences (UDiD) based on an alternative assumption to PT for identifying treatment effects for the treated on any scale of potential interest, and outcomes of an arbitrary nature. Specifically, we introduce the odds ratio equi-confounding (OREC) assumption, which states that the generalized odds ratios relating the treatment-free potential outcome and treatment are equivalent across time periods. Under the OREC assumption, we establish nonparametric identification for any potential treatment effect on the treated in view. Moreover, we develop a consistent, asymptotically linear, and semiparametric efficient estimator for any given treatment effect on the treated of interest which leverages recent learning theory. We illustrate UDiD with simulations and two real-world applications in labor economics and traffic safety evaluation.


翻译:差异差异(DID)是评价现实世界政策干预的因果关系的流行方法。为了确定对治疗对象的平均治疗效果,DID依赖平行趋势的假设(PT),该假设指出,在接受治疗和控制的群体中,无治疗潜在结果平均结果的时间趋势是平行的。PT假设的一个众所周知的限制是,它缺乏对离散结果和非线性效果措施的因果关系的概括性影响。在本文中,我们认为普遍差异差异(UDID)是基于一种替代假设,即确定治疗对象在任何范围的潜在利益治疗的治疗效果和任意性质的结果。具体地说,我们采用不治疗潜在结果的平均时间趋势(OREC)假设,该假设表明与无治疗潜在结果和治疗相关的普遍差异比率在一段时间内是相等的。根据OREC的假设,我们对所治疗对象的任何潜在治疗效果是任何可能的治疗效果。此外,我们开发了一种一致的、即时线性、半数的高效交通评估工具,用以说明对最新劳动力理论和现实性理论中的任何影响。

0
下载
关闭预览

相关内容

不可错过!700+ppt《因果推理》课程!杜克大学Fan Li教程
专知会员服务
69+阅读 · 2022年7月11日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年2月27日
Arxiv
13+阅读 · 2019年11月14日
VIP会员
相关VIP内容
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员