本文介绍了因果推理中的双重差分方法，重点讨论了ATT（平均治疗效应在处理组）的识别和计算。文章阐述了无混杂假设、时间维度的影响、平行趋势假设及其重要性，以及在实际应用中平行趋势假设可能遇到的问题和解决方案。
1. 预备知识
回顾一下第二章的 unconfoundedness 假设：
无混杂假设等价于 T T T到 Y Y Y之间没有畅通无阻的后门路径。在这种情况下，关联就是因果，那么可以用下面的式子计算ATE：
E [ Y ( 1 ) − Y ( 0 ) ] = E [ Y ( 1 ) ] − E [ Y ( 0 ) ] = E [ Y ( 1 ) ∣ T = 1 ] − E [ Y ( 0 ) ∣ T = 0 ] = E [ Y ∣ T = 1 ] − E [ Y ∣ T = 0 ] \begin{aligned} \mathbb{E}[Y(1)-Y(0)] &=\mathbb{E}[Y(1)]-\mathbb{E}[Y(0)] \\ &=\mathbb{E}[Y(1) \mid T=1]-\mathbb{E}[Y(0) \mid T=0] \\ &=\mathbb{E}[Y \mid T=1]-\mathbb{E}[Y \mid T=0] \end{aligned} E[Y(1)−Y(0)]=E[Y(1)]−E[Y(0)]=E[Y(1)∣
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
