跳转至

Difference-in-differences with "bad controls"

作者: Carolina Caetano, Brantly Callaway, Stroud Payne, Hugo Sant'Anna
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.03881

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是双重差分（DiD）框架中，当平行趋势假设需在协变量上条件成立、但这些协变量本身可能受处理影响（即“坏控制变量”）时的识别与估计问题。该方向的核心张力在于：一方面，研究者希望纳入更多协变量以使平行趋势假设更可信；另一方面，若这些协变量是“坏控制”（即受处理影响），直接控制它们会引入“后处理偏差”（post-treatment bias），而简单丢弃它们又可能违背原始识别策略。该方向当前处于从“经验警示”向“系统识别理论”过渡的阶段——已有大量实证工作意识到坏控制的问题（Angrist & Pischke 2008），但直到最近才出现正式的识别条件与估计方法。

发展脉络（history）

  1. 奠基工作：坏控制问题的提出与警示
  2. Rosenbaum (1984)：最早在因果推断中系统讨论“受处理影响的协变量”导致的偏差，指出调整这类变量会扭曲处理效应的估计。
  3. Angrist & Pischke (2008, Mostly Harmless Econometrics)：将“坏控制”概念普及到经济学实证中，给出经典建议——“只控制那些不被处理本身引起的变量”。这一建议成为实证工作的主流做法，但作者并未提供正式的识别条件。

  4. Robins & Greenland (1992) 与 Acharya, Blackwell & Sen (2016)：在中介分析框架下讨论类似问题，但关注的是“直接效应 vs. 间接效应”的分解，而非本文关注的“坏控制作为协变量”的识别。

  5. 主要进展：DiD 框架下条件平行趋势与时间变化协变量

  6. Heckman, Ichimura & Todd (1997)、Abadie (2005)：建立了条件平行趋势下 DiD 的识别与半参数估计框架，但假设协变量是外生的（不受处理影响）。
  7. Callaway & Sant’Anna (2021)：将 DiD 推广到多期交错处理设定，并允许平行趋势条件于协变量，但同样假设协变量是“好”的（covariate exogeneity）。该文成为本文方法的核心工具之一。

  8. Caetano & Callaway (2025)：系统研究条件平行趋势下 DiD 的识别，揭示了 TWFE 回归的“隐藏线性偏差”（hidden linearity bias）——差分掉个体固定效应的同时也会差分掉时间变化协变量，从而改变识别策略或依赖正确模型设定。该文是本文的直接前驱。

  9. 当前 frontier：坏控制的正式识别与估计

  10. Lechner (2008)、Flores & Flores-Lagunes (2009)：在横截面数据、无混淆性假设下，提出用“反事实协变量”来控制受处理影响的协变量。本文将其思路移植到 DiD 框架。
  11. Shahn et al. (2025)、Renson et al. (2023)：在 DiD 框架下考虑时间变化协变量受处理影响，但他们的时序是“协变量→处理→结果”，而本文考虑的是“处理→协变量→结果”，后者更符合大多数社会科学应用。
  12. Knaus & Pfleiderer (2026)：用 SWIG 图形式化条件平行趋势下的控制策略，可容纳坏控制。
  13. 本文 (Caetano, Callaway, Payne & Sant’Anna, 2026)：首次在 DiD 框架下系统给出坏控制的正式定义（同时满足“结果相关性”与“受处理影响”），提出两种新识别策略（简单协变量无混淆性、协变量无混淆性），并给出 DML 估计量与预检验程序。

子线索聚类

  • 线索 A：DiD 的识别与估计（核心文献）
  • 经典条件 DiD：Heckman et al. (1997)、Abadie (2005)
  • 多期交错处理：Callaway & Sant’Anna (2021)、Goodman-Bacon (2021)、Sun & Abraham (2021)、de Chaisemartin & D’Haultfoeuille (2020)
  • 条件平行趋势的偏差诊断：Caetano & Callaway (2025)

  • 插补估计量：Borusyak, Jaravel & Spiess (2024)、Gardner et al. (2023)、Liu, Wang & Xu (2024)

  • 线索 B：坏控制变量与时间变化协变量

  • 横截面设定：Lechner (2008)、Flores & Flores-Lagunes (2009)
  • DiD 设定：Shahn et al. (2025)、Renson et al. (2023)、Knaus & Pfleiderer (2026)

  • 中介分析视角：Deuchert, Huber & Schelker (2019)、Huber, Schelker & Strittmatter (2022)、Blackwell et al. (2026)

  • 线索 C：双重/去偏机器学习（DML）在 DiD 中的应用

  • Sant’Anna & Zhao (2020)：提出 DiD 的双重稳健估计量，并给出半参数效率界。
  • Chernozhukov et al. (2018)：DML 的通用框架。
  • Wager & Athey (2018)：因果森林，作为 DML 中非参数估计器的例子。

这个方向在追问的核心问题

  1. 识别问题：当平行趋势需条件于协变量、且这些协变量受处理影响时，ATT 是否仍可识别？需要什么样的额外假设？
  2. 估计问题：如何构造对坏控制鲁棒的估计量？能否达到半参数效率界？
  3. 预检验问题：能否检验“协变量是否受处理影响”以及“无混淆性假设是否成立”？
  4. 交错处理扩展：上述结果能否推广到多期交错处理设定？

当前主流方法与已知瓶颈：主流做法是直接丢弃坏控制（Angrist & Pischke 的建议），但本文证明这等价于假设坏控制不影响结果趋势，违背坏控制的定义。另一种做法是直接包含坏控制，但会导致后处理偏差。瓶颈在于：坏控制的存在使得 ATT 的识别依赖于对“反事实协变量分布”的恢复，而这需要额外的无混淆性或冗余性假设。

⚠️ 作者的 framing

作者把缺口 frame 成什么：作者将坏控制问题定位为“DiD 框架下尚未被系统处理的识别与估计问题”，并声称“本文是第一个在 DiD 中给出坏控制正式定义并系统提出两种新识别策略的工作”。作者通过以下方式使本文成为“显然的下一步”： - 将已有工作（Caetano & Callaway 2025）中关于“时间变化协变量”的讨论明确聚焦到“坏控制”这一子类。 - 将 Lechner (2008) 和 Flores & Flores-Lagunes (2009) 在横截面无混淆性下的思路移植到 DiD 框架。 - 将 Callaway & Sant’Anna (2021) 的估计量作为“简单协变量无混淆性”下的直接应用。

哪些竞争路线被他淡化或回避了： - 中介分析路线：作者明确说“本文不如中介分析有野心”（只识别总效应，不分解直接/间接效应），但未讨论若研究者确实需要分解效应时，本文方法是否可扩展。 - 分布恢复路线：作者在 Remark 3 中提及可用 DiD 分布恢复方法（如 Callaway & Li 2019）来恢复 X_t(0) 的分布，但认为这些方法通常要求连续变量，对离散/混合协变量不适用。这一判断是否成立值得研究者自行查证。 - 线性假设下的简化：作者在附录 SC 中提及，在线性假设下只需恢复 E[ΔX_t(0)|D=1] 即可，但正文未强调这一更弱假设的可能性。

什么明显该被引/该存在、却没出现在 intro 里： - 时间变化处理（time-varying treatments）文献：作者在脚注 3 中提及，但未深入讨论。该文献（Robins 1986; Hernán & Robins 2020）处理的是“处理可随时间变化”的设定，与本文的“处理一次、协变量随后变化”不同，但两者在“后处理变量”的处理上有相通之处。 - 动态面板数据模型：作者在 Remark 2 中提及 Marx, Tamer & Tang (2025)，但未在 intro 中讨论。动态面板模型中的“滞后因变量作为协变量”问题与本文的“滞后结果作为 W”有相似性。 - 图模型文献：作者引用了 Knaus & Pfleiderer (2026) 的 SWIG 框架，但未引用更早的 DAG 文献（如 Pearl 2009）中关于“后处理变量”的讨论。

张力

未见明显对立引用。各被引工作之间在“坏控制会导致偏差”这一点上高度一致，分歧主要在于如何解决。Lechner (2008) 和 Flores & Flores-Lagunes (2009) 在横截面下用无混淆性，本文在 DiD 下用类似思路，两者互补而非对立。Shahn et al. (2025) 的时序设定与本文不同，但作者明确指出了差异。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - \( D_i \in \{0,1\} \)：处理状态，1=处理组，0=对照组。 - \( Y_{it} \)：个体 i 在时期 t 的可观测结果。 - \( Y_{it}(1), Y_{it}(0) \)：潜在结果（potential outcomes），分别对应接受处理和不接受处理。 - \( X_{it} \)：可观测的“坏控制”变量（时间变化，可能受处理影响）。 - \( X_{it}(1), X_{it}(0) \)：潜在坏控制变量。 - \( Z_i \)：其他外生协变量（时间不变或外生时间变化）。 - \( W_i \)：额外的外生协变量（仅在“协变量无混淆性”假设下出现）。 - \( \Delta Y_{it} = Y_{it} - Y_{i,t-1} \)：结果的变化。 - \( t^* \)：处理发生后的时期；\( t^*-1 \)：处理前的时期。 - ATT = \( \mathbb{E}[Y_{t^*}(1) - Y_{t^*}(0) | D=1] \)：处理组平均处理效应。

模型： - 两期设定：时期 \( t^*-1 \)（无人处理）和 \( t^* \)（部分处理）。 - 平行趋势假设（Assumption 2）：条件于 \( (X_{t^*}(0), X_{t^*-1}, Z) \)，处理组和对照组的未处理潜在结果变化均值相等。 - 坏控制的定义（Definition 1）：\( X_t \) 同时满足“结果相关性”（Condition 1：\( X_t \) 影响未处理结果路径）和“受处理影响”（Condition 2：\( X_{t^*}(0) \) 与 \( X_{t^*}(1) \) 分布不同）。

可观测数据： - 研究者观测到：\( \{Y_{it^*}, Y_{i,t^*-1}, X_{it^*}, X_{i,t^*-1}, Z_i, D_i\}_{i=1}^n \)。 - 潜在量（不可观测）：\( Y_{it^*}(0) \) 对处理组不可观测；\( X_{it^*}(0) \) 对处理组不可观测。

第二步：讲最小内核

最简特例：两期（\( t^*-1, t^* \)），单个坏控制变量 \( X_t \)，无其他协变量 \( Z \) 和 \( W \)。

核心问题：在平行趋势假设下，ATT 的表达式为：

\[\text{ATT} = \mathbb{E}[\Delta Y_{t^*} | D=1] - \mathbb{E}[m_0(X_{t^*}(0), X_{t^*-1}) | D=1],\]
其中 \( m_0(x_t, x_{t-1}) = \mathbb{E}[\Delta Y_{t^*} | X_{t^*}(0)=x_t, X_{t^*-1}=x_{t-1}, D=0] \)。
问题在于：\( X_{t^*}(0) \) 对处理组不可观测，因此无法直接计算 \( \mathbb{E}[m_0(X_{t^*}(0), X_{t^*-1}) | D=1] \)。

论文的关键想法：通过额外假设恢复 \( X_{t^*}(0) \) 在处理组中的分布。

  • 方法 1（简单协变量无混淆性，Assumption 4）：假设 \( X_{t^*}(0) \perp D \mid X_{t^*-1} \)。即，条件于预处理坏控制值，未处理潜在坏控制与处理状态独立。此时，处理组中 \( X_{t^*}(0) \) 的分布等于对照组中 \( X_{t^*} \) 的分布（条件于相同的 \( X_{t^*-1} \)）。于是：

    \[\text{ATT} = \mathbb{E}[\Delta Y_{t^*} | D=1] - \mathbb{E}[m_0(X_{t^*-1}) | D=1],\]
    其中 \( m_0(x_{t-1}) = \mathbb{E}[\Delta Y_{t^*} | X_{t^*-1}=x_{t-1}, D=0] \)。这个表达式只涉及可观测变量，可直接用 Callaway & Sant’Anna (2021) 估计。

  • 方法 2（协变量无混淆性，Assumption 6）：假设 \( X_{t^*}(0) \perp D \mid X_{t^*-1}, W \)，其中 \( W \) 是额外观测到的协变量。此时，处理组中 \( X_{t^*}(0) \) 的分布可通过对照组中条件于 \( (X_{t^*-1}, W) \) 的 \( X_{t^*} \) 分布来恢复。ATT 的表达式变为：

    \[\text{ATT} = \mathbb{E}[\Delta Y_{t^*} | D=1] - \mathbb{E}\big[ \mathbb{E}[ m_0(X_{t^*}, X_{t^*-1}) \mid X_{t^*-1}, W, D=0 ] \mid D=1 \big],\]
    这是一个嵌套期望，需要更复杂的估计（插补或 DML）。

为什么这个例子是“最小内核”：它去掉了多期交错处理、多个坏控制、外生协变量 Z 等一般性设定，只保留了两期、单个坏控制的核心识别困难。论文的一般情形（多期、交错处理、多个协变量）本质上是对这个两期例子的“加壳”——核心数学困难（恢复 \( X_{t^*}(0) \) 的分布）不变，只是需要处理更多的条件变量和更复杂的嵌套期望结构。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在 DiD 框架下，当平行趋势假设需条件于可能受处理影响的协变量（坏控制）时，如何识别和估计 ATT。
  2. 核心工具/方法：提出两种新识别策略——(i) 简单协变量无混淆性（条件于预处理坏控制值），(ii) 协变量无混淆性（条件于预处理坏控制值 + 额外协变量）；并给出相应的插补估计量、双重稳健估计量和 DML 估计量。
  3. 主要结论：常见做法（直接包含或丢弃坏控制）均导致偏差；新方法在合理假设下可一致估计 ATT，且 DML 估计量在乘积率条件下达到 \( \sqrt{n} \)-一致与渐近正态。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • Assumption 1 (随机抽样)：观测数据 i.i.d.
  • Assumption 2 (条件平行趋势)：\( \mathbb{E}[\Delta Y_{t^*}(0) | X_{t^*}(0), X_{t^*-1}, Z, D=1] = \mathbb{E}[\Delta Y_{t^*}(0) | X_{t^*}(0), X_{t^*-1}, Z, D=0] \)。相比已有文献（如 Callaway & Sant’Anna 2021），这里的创新在于条件变量包含 \( X_{t^*}(0) \)（未处理潜在坏控制），而非可观测的 \( X_{t^*} \)。
  • Assumption 3 (重叠)：\( P(D=1 | X_{t^*}(0), X_{t^*-1}, Z) < 1 \)。
  • Assumption 4 (简单协变量无混淆性)：\( X_{t^*}(0) \perp D \mid X_{t^*-1}, Z \)。这是方法 1 的核心假设，比 Assumption 6 更强（不需要额外协变量 W）。
  • Assumption 5 (坏控制冗余性)：\( \mathbb{E}[\Delta Y_{t^*}(0) | X_{t^*}(0), X_{t^*-1}, Z, D=0] = \mathbb{E}[\Delta Y_{t^*}(0) | X_{t^*-1}, Z, D=0] \)。这是方法 1 的替代假设，与 Assumption 4 非嵌套。
  • Assumption 6 (协变量无混淆性)：\( X_{t^*}(0) \perp D \mid X_{t^*-1}, W, Z \)。这是方法 2 的核心假设，比 Assumption 4 更弱（允许存在额外协变量 W）。
  • Assumption 7 (重叠，扩展版)：\( P(D=1 | X_{t^*-1}, W, Z) < 1 \)。
  • Assumption 8 (线性条件，用于插补估计量)：\( m_0 \) 和 \( \mathbb{E}[X_{t^*} | X_{t^*-1}, W, Z, D=0] \) 均为线性模型。
  • Assumption 9 (乘积率条件，用于 DML)：\( \|\hat{m}_0 - m_0\|_2 \cdot \|\hat{\omega}_0 - \omega_0\|_2 = o_p(n^{-1/2}) \) 等三个条件，确保 DML 估计量的 \( \sqrt{n} \)-一致性。

相比已有文献的放宽/强化： - 相比 Callaway & Sant’Anna (2021)：放宽了“协变量外生性”（covariate exogeneity），允许协变量受处理影响。 - 相比 Caetano & Callaway (2025)：聚焦于“坏控制”这一子类，给出正式定义和专门识别策略。 - 相比 Lechner (2008)：将横截面无混淆性下的思路移植到 DiD 框架，并允许面板数据。

主要结果

定理 1（方法 1 的识别）：在 Assumptions 1-4 下，ATT = \( \mathbb{E}[\Delta Y_{t^*} | D=1] - \mathbb{E}[m_0(X_{t^*-1}, Z) | D=1] \)。
- 直觉：Assumption 4 使 \( X_{t^*}(0) \) 在处理组和对照组中条件平衡，因此无需显式控制 \( X_{t^*} \)，只需控制预处理值。 - 必要条件：Assumption 4 或 Assumption 5 之一成立。 - 解决的技术难点：绕过了对 \( X_{t^*}(0) \) 分布的直接恢复。

定理 2（方法 2 的识别）：在 Assumptions 1, 2, 6, 7 下，ATT = \( \mathbb{E}[\Delta Y_{t^*} | D=1] - \mathbb{E}[ \mathbb{E}[ m_0(X_{t^*}, X_{t^*-1}, Z) \mid X_{t^*-1}, W, Z, D=0 ] \mid D=1 ] \)。
- 直觉：通过 W 恢复 \( X_{t^*}(0) \) 在处理组中的分布，再代入平行趋势。 - 必要条件：Assumption 6（协变量无混淆性）。 - 解决的技术难点：嵌套期望的识别与估计。

定理 3（交错处理扩展）：在 Assumptions MP-1 至 MP-6 下，ATT(g,t) 可识别，表达式为嵌套期望形式（类似定理 2，但以 g-1 为基期）。

命题 4-7（估计量的渐近性质）： - 插补估计量（Proposition 4）：在正确线性模型下，\( \sqrt{n} \)-一致且渐近正态。 - 双重稳健估计量（Proposition 6）：若要么 \( (m_0, \nu_0) \) 正确，要么 \( (p, \omega_0) \) 正确，则一致。 - DML 估计量（Proposition 7）：在乘积率条件（Assumption 9）下，\( \sqrt{n} \)-一致且渐近正态，方差可通过影响函数一致估计。

证明路线与技术技巧

整体路线（以定理 2 为例）： 1. 从 ATT 定义出发：ATT = \( \mathbb{E}[\Delta Y_{t^*} | D=1] - \mathbb{E}[\Delta Y_{t^*}(0) | D=1] \)。 2. 用平行趋势替换：\( \mathbb{E}[\Delta Y_{t^*}(0) | D=1] = \mathbb{E}[ m_0(X_{t^*}(0), X_{t^*-1}, Z) | D=1] \)（由 Assumption 2）。 3. 用无混淆性恢复分布：\( \mathbb{E}[ m_0(X_{t^*}(0), X_{t^*-1}, Z) | D=1] = \mathbb{E}[ \mathbb{E}[ m_0(X_{t^*}(0), X_{t^*-1}, Z) \mid X_{t^*-1}, W, Z, D=1 ] \mid D=1 ] \)（LIE），再由 Assumption 6 将内层条件期望中的 D=1 替换为 D=0。 4. 用可观测变量替换：对对照组，\( X_{t^*}(0) = X_{t^*} \)，因此内层期望变为 \( \mathbb{E}[ m_0(X_{t^*}, X_{t^*-1}, Z) \mid X_{t^*-1}, W, Z, D=0 ] \)。

关键跳跃点： - 跳跃 1：从 \( \mathbb{E}[\Delta Y_{t^*}(0) | D=1] \) 到 \( \mathbb{E}[ m_0(X_{t^*}(0), X_{t^*-1}, Z) | D=1] \) 需要平行趋势假设（Assumption 2）。难点在于平行趋势条件于 \( X_{t^*}(0) \)，而 \( X_{t^*}(0) \) 对处理组不可观测。作者通过 LIE 和 Assumption 2 的“条件均值相等”性质绕过了直接观测 \( X_{t^*}(0) \) 的需要。 - 跳跃 2：从 \( \mathbb{E}[ m_0(X_{t^*}(0), X_{t^*-1}, Z) | D=1] \) 到可观测表达式需要无混淆性假设（Assumption 4 或 6）。难点在于将条件分布从处理组转移到对照组。作者用无混淆性假设直接“交换”了条件分布中的 D 指标。

技术技巧点名： - Law of Iterated Expectations (LIE)：反复使用，将期望分解为条件期望的期望。 - 条件分布交换：利用无混淆性假设，将处理组的条件分布替换为对照组的条件分布。 - Neyman 正交性：在 DML 估计量（Proposition 5-7）中，通过构造 Neyman 正交的得分函数（式 10），使得估计量对 nuisance 函数的估计误差不敏感。 - 交叉拟合（Cross-fitting）：在 Algorithm 1 中，将数据分为 K 折，每折用其余数据估计 nuisance 函数，再用本折数据计算得分，避免过拟合偏差。 - 乘积率条件（Assumption 9）：要求 nuisance 函数的 \( L_2 \) 误差乘积为 \( o_p(n^{-1/2}) \)，这是 DML 文献的标准条件（Chernozhukov et al. 2018）。

真实例子与应用

数据：NLSY79（1979 年全国青年纵向调查），1992-2002 年双年数据，平衡面板 3,231 人。

场景：研究“工作置换（job displacement）”对收入的影响。坏控制变量是“职业得分”（occupation score，即该职业的典型对数工资中位数）。

方法应用： - 首先检验职业得分是否真的是坏控制：在协变量无混淆性假设下，估计处理对职业得分的影响（Figure 6），发现工作置换平均降低职业得分约 2%（边际显著），证实职业得分受处理影响。 - 然后估计 ATT：使用 9 种不同估计量（TWFE 含/不含坏控制、插补含/不含坏控制、平行趋势假设、简单无混淆性 ML、插补、双重稳健、ML），比较结果（Figure 8）。

结果： - 基线插补估计量（方法 2）给出 ATT ≈ -6.7%（SE=0.024），即工作置换平均降低收入约 7%。 - TWFE 估计量（含或不含坏控制）给出约 -10% 的效应，比基线大 40%。 - 插补估计量（含或不含坏控制）给出约 -3% 到 -4% 的效应，比基线小。 - DML 和双重稳健估计量（基于相同无混淆性假设）与基线插补估计量非常接近。

这个例子想说明什么： - 验证了职业得分确实是坏控制（受处理影响）。 - 展示了不同方法对坏控制的处理会导致定量差异（TWFE 高估，简单插补低估），而本文提出的方法（插补、DR、ML）给出居中且相互一致的估计。 - 强调了“含/不含坏控制作为稳健性检验”的常见做法可能产生误导——两种做法都偏离了本文方法的结果。

🔎 结论是否比证明窄

  • Theorem 1 的证明严格依赖于 Assumption 4（简单协变量无混淆性）或 Assumption 5（坏控制冗余性）。作者在 Proposition 1 中给出了 Assumption 5 下的等价结果，但未讨论若两个假设都不成立时，ATT 是否仍可部分识别。
  • Theorem 2 的证明严格依赖于 Assumption 6（协变量无混淆性）。作者在 Remark 3 中提及可用分布恢复方法（如 Callaway & Li 2019）替代，但未给出正式定理，且指出这些方法通常要求连续变量。
  • 交错处理扩展（Theorem 3） 的证明依赖于 Assumption MP-5（一阶马尔可夫结构），即 \( X_t(0) \) 条件独立于历史仅通过 \( X_{t-1}(0) \)。作者在 Section 5.1.1 中给出了维度降低的扩展（Assumption MP-7），但未讨论若马尔可夫假设不成立时，是否仍可识别。
  • DML 估计量（Proposition 7） 的渐近正态性依赖于 Assumption 9（乘积率条件）。作者指出该条件在 \( n^{-1/4} \) 收敛率下成立，但未给出具体哪些非参数估计器能达到该率（仅提及随机森林作为例子，引用 Wager & Athey 2018）。

四、开放问题

  1. 线性假设的放松：插补估计量（Section 6.1）依赖线性模型假设（Assumption 8）。能否在更弱的半参数或非参数结构下构造类似插补估计量？——扎根于 Assumption 8 和 Proposition 4 的证明。

  2. W 的选择与敏感性：方法 2 中 W 的选择是任意的（只要满足无混淆性）。作者在 Remark 2 中建议用滞后结果 \( Y_{t^*-1} \)，但未讨论若 W 选择不当（如遗漏重要混淆变量）时的敏感性。能否发展出类似“敏感性分析”的工具？——扎根于 Theorem 2 和 Remark 2。

  3. 预检验的正式理论：作者在 Remark 6 中提出用预处理期的伪 ATT 来检验假设，但未给出正式的检验统计量及其渐近分布。能否构造一个正式的假设检验（如基于 DML 的 Wald 检验）？——扎根于 Remark 6。

  4. 离散/混合坏控制的处理：作者在 Remark 3 中指出分布恢复方法通常要求连续变量，但未给出离散坏控制的专门处理。能否用本文的无混淆性方法直接处理离散坏控制（如职业类别）？——扎根于 Remark 3 和 Theorem 2 的证明（无混淆性假设不要求协变量连续）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论