跳转至

Evaluating the effects of policy interventions subject to early adoption: A case study of prescription drug monitoring programs and opioid dispensing

作者: Sarika Aggarwal, Brent A. Coull, Nima Hejazi, Rachel C. Nethery
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.23472

一、领域脉络与小综述

这个方向是什么

这个子方向是政策评估中的“anticipation效应”，即在面板数据准实验设计中，处理单位在政策正式生效前就因预期或提前采纳而改变行为，从而违反合成控制方法（SCM）和双重差分（DiD）等方法的“no-anticipation”识别假设。该方向的核心统计问题是：当处理前的结果已经被“污染”（contaminated）时，如何识别、估计并分解政策的总效应。当前成熟度较低——大多数实证研究直接忽略该问题，方法论工作也主要集中在DiD框架下的bounding或敏感性分析，而SCM框架下的系统性处理几乎空白。

发展脉络（history）

奠基工作：Abadie, Diamond & Hainmueller (2010) 提出标准SCM，通过构造控制单元的凸组合来估计反事实，其核心识别假设之一是“no-anticipation”——处理前结果必须反映未处理状态。该工作奠定了整个SCM方法族的基础，但并未讨论anticipation被违反时的后果。

主要进展： - SCM的扩展：Ben-Michael, Feller & Rothstein (2021) 提出Augmented SCM，通过ridge回归对预处理拟合不佳进行偏差校正，并允许负权重。Xu (2017) 提出Generalized SCM，使用交互固定效应（IFE）模型处理多个处理单位和交错处理时间。这些工作扩展了SCM的适用范围，但均未处理anticipation问题。 - anticipation效应的初步处理：Gong (2021) 在经典两期DiD框架下，对anticipation效应给出了识别集（identified sets）和易于实施的估计与推断策略。Augustin, Gutknecht & Liu (2025) 在交错采纳DiD设计中，考虑了处理状态误分类和anticipation并存的情况，提出了修正估计量和规范检验。Piccininni, Tchetgen & Stensrud (2025) 指出标准no-anticipation假设存在歧义，区分了“政策宣布”和“政策实施”两种干预，并给出了相应的识别结果。 - SCM的残差化思路：Doudchenko & Imbens (2016) 和 Ben-Michael, Feller & Rothstein (2021) 讨论了将SCM应用于残差化结果（先回归再构造合成控制）的想法，但残差化对象是辅助协变量，而非早期采纳效应。

当前frontier：现有工作要么在DiD框架下处理anticipation（Gong, 2021; Augustin et al., 2025），要么在SCM框架下提出残差化思路但未针对anticipation（Ben-Michael et al., 2021）。本文的位置：首次在SCM框架下形式化“early adoption”（早期采纳）这一特定形式的anticipation，将其与mandate效应分解，并提出两阶段估计程序。

子线索聚类

  1. SCM方法族：Abadie et al. (2010) → Ben-Michael et al. (2021) → Xu (2017) → Sun, Ben-Michael & Feller (2024)。这一簇关注如何构造反事实，核心工具是加权平均、因子模型、偏差校正。
  2. anticipation效应的识别与估计：Gong (2021) → Augustin et al. (2025) → Piccininni et al. (2025) → Bilinski (2024)。这一簇关注anticipation如何破坏识别，以及如何在DiD框架下进行bounding或修正。
  3. PDMP政策实证评估：Puac-Polanco et al. (2020) → Wen et al. (2019) → Strickler et al. (2019) → Lee et al. (2021) → Alpert, Dykstra & Jacobson (2024)。这一簇关注PDMP对阿片类药物处方/配发的实际影响，但均未考虑早期采纳问题。

这个方向在追问的核心问题

  1. 如何识别anticipation效应？ 当处理前结果已被污染，未处理反事实是否仍可识别？需要什么额外假设？
  2. 如何分解总效应？ 总政策效应中，多少来自anticipation（早期采纳），多少来自mandate本身？
  3. 如何保证估计量的稳健性？ 当anticipation模式异质、与潜在因子相关、或SUTVA被违反时，估计量表现如何？
  4. 如何在SCM框架下处理anticipation？ 现有工作主要在DiD框架下，SCM的因子模型结构是否提供新的识别机会？

已知瓶颈：现有方法要么需要强假设（如anticipation效应的有界性，Bilinski, 2024），要么仅适用于简单设定（如两期DiD，Gong, 2021），要么仅处理政策宣布而非早期采纳（Piccininni et al., 2025）。在SCM框架下，尚无系统性处理早期采纳的方法。

⚠️ 作者的framing

作者的说法：作者将缺口frame成“SCM的no-anticipation假设在早期采纳下被违反，而现有方法要么忽略该问题（ad hoc丢弃数据），要么仅在DiD框架下处理且假设过强”。作者将本文定位为“显然的下一步”：在SCM框架下形式化早期采纳，提出两阶段程序，并通过模拟和实证展示其必要性。

被淡化或回避的竞争路线： - DiD框架下的bounding方法（Gong, 2021; Bilinski, 2024）：作者在intro中提及，但认为“bounds可能太宽而无法用于政策决策”（Section 1, 原文：“could result in bounds too wide to be useful for policy decision-making”）。这是一个判断，研究者需自行评估是否认同。 - Piccininni et al. (2025) 的“政策宣布”框架：作者承认其工作，但指出其关注的是政策宣布而非早期采纳（“treatment itself begins only at implementation”），因此不直接适用于本文场景。

什么明显该被引/该存在、却没出现在intro里？ - Rambachan & Roth (2023) 被引用，但仅作为“缺乏方法论指导”的例证，未深入讨论其提出的“部分识别+敏感性分析”框架是否可迁移至早期采纳场景。 - Doudchenko & Imbens (2016) 被引用，但仅作为残差化思路的源头，未讨论其提出的“平衡+回归”综合框架是否可替代本文的两阶段程序。 - Sun, Ben-Michael & Feller (2024) 被引用，但仅作为PDMP政策异质性的例证，未讨论其提出的“时间聚合”方法是否可缓解早期采纳带来的预处理拟合问题。

张力

未见明显对立引用。所有被引工作均承认anticipation是一个问题，且现有方法不足。主要张力在于：DiD框架下的bounding方法（Gong, 2021）与本文的点识别方法之间的取舍——前者在更弱假设下给出区间，后者在更强假设下给出点估计。作者选择后者，但未与前者进行模拟比较。

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： - \(i = 1, \dots, N\)：单位（如州） - \(t = 1, \dots, T\)：时间（如季度） - \(A_{it} \in \{0,1\}\)：指示单位 \(i\) 在时间 \(t\) 是否处于“资源就绪（RIP）”状态（即可早期采纳但尚未强制） - \(D_{it} \in \{0,1\}\)：指示单位 \(i\) 在时间 \(t\) 是否处于“强制（MIP）”状态 - \(P_i\)：单位 \(i\) 进入RIP状态的时间 - \(T_i\)：单位 \(i\) 进入MIP状态的时间（\(T_i = \infty\) 若从未进入） - \(G_{it} = \min\{\max\{0, t - P_i + 1\}, T_i - P_i\}\)：进入RIP后的时间（在MIP前截断） - \(E_{it} = \max\{0, t - T_i + 1\}\)：进入MIP后的时间 - \(Y_{it}(g, e)\)：潜在结果，当 \(G_{it} = g\) 且 \(E_{it} = e\) 时 - \(\beta(g)\)：早期采纳效应，在进入RIP后 \(g\) 期 - \(\tau(e)\)：强制效应，在进入MIP后 \(e\) 期 - \(\Delta(e) = \beta(T_i - P_i) + \tau(e)\)：总政策效应 - \(\mu_i, \delta_t\)：单位和时间固定效应 - \(\lambda_i, f_t\)：潜在因子载荷和因子（未观测） - \(X_{it}\)：观测协变量 - \(\epsilon_{it}\)：误差项

模型（式1）：

\[Y_{it} = \mu_i + \delta_t + \lambda_i^\top f_t + \gamma^\top X_{it} + \beta(G_{it}) A_{it} + \tau(E_{it}) D_{it} + \epsilon_{it}\]
这是一个交互固定效应（IFE）模型，其中潜在因子 \(f_t\) 和载荷 \(\lambda_i\) 捕捉时变未观测混杂。\(\beta(g)\) 和 \(\tau(e)\) 是待估的因果参数，分别表示早期采纳和强制效应。假设 \(\beta(g)\) 在所有单位间有共同形状（common shape），\(\tau(e)\) 仅依赖于进入MIP后的时间。

可观测数据： - 研究者能观测到：\(Y_{it}\)（结果）、\(A_{it}\)（RIP指示）、\(D_{it}\)（MIP指示）、\(X_{it}\)（协变量）、\(P_i\) 和 \(T_i\)（政策时间） - 研究者不能直接观测到：\(\lambda_i, f_t\)（潜在因子）、\(\epsilon_{it}\)（误差）、以及最重要的——未处理反事实 \(Y_{it}(0,0)\)（即既无早期采纳也无强制时的结果）

第二步：讲最小内核

最简特例：假设只有 一个处理单位（如一个州），两个时间点 \(t=1,2\)，且： - \(t=1\)：控制状态（\(A=0, D=0\)） - \(t=2\)：RIP状态（\(A=1, D=0\)），即早期采纳期，但尚未强制 - 没有MIP状态（\(D\) 始终为0） - 没有协变量 \(X_{it}\) - 潜在因子 \(f_t\) 是标量（一个因子），且 \(f_1 = f_2 = 1\)（无时间变化，简化）

在这个特例下： - 模型退化为：\(Y_{it} = \mu_i + \delta_t + \lambda_i f_t + \beta(G_{it}) A_{it} + \epsilon_{it}\) - 由于 \(f_t=1\)，\(\lambda_i f_t = \lambda_i\)，与单位固定效应合并：\(Y_{it} = (\mu_i + \lambda_i) + \delta_t + \beta(G_{it}) A_{it} + \epsilon_{it}\) - 进一步，若我们只关心处理单位 \(i=1\) 和控制单位 \(i=2\)，且假设 \(\delta_t\) 已知（或可估计），则： - 在 \(t=1\)（控制期）：\(Y_{11} = \alpha_1 + \delta_1 + \epsilon_{11}\)，\(Y_{21} = \alpha_2 + \delta_1 + \epsilon_{21}\) - 在 \(t=2\)（早期采纳期）：\(Y_{12} = \alpha_1 + \delta_2 + \beta(1) + \epsilon_{12}\)，\(Y_{22} = \alpha_2 + \delta_2 + \epsilon_{22}\) - 其中 \(\alpha_i = \mu_i + \lambda_i\)

要证的命题：识别并估计早期采纳效应 \(\beta(1)\)。

证明怎么走： - 差分（DiD）：\((Y_{12} - Y_{11}) - (Y_{22} - Y_{21}) = [(\alpha_1 + \delta_2 + \beta(1) + \epsilon_{12}) - (\alpha_1 + \delta_1 + \epsilon_{11})] - [(\alpha_2 + \delta_2 + \epsilon_{22}) - (\alpha_2 + \delta_1 + \epsilon_{21})] = \beta(1) + (\epsilon_{12} - \epsilon_{11} - \epsilon_{22} + \epsilon_{21})\) - 在期望下，\(\mathbb{E}[\text{DiD}] = \beta(1)\)，因为误差项期望为0。 - 关键想法：早期采纳效应 \(\beta(1)\) 可以通过比较处理单位在早期采纳期与控制期的差异，与控制单位同期差异的差分来识别。这本质上是一个两期DiD，但处理发生在“正式政策生效前”。

为什么成立：因为在这个特例中，潜在因子 \(f_t\) 无时间变化，所以单位固定效应和因子载荷合并后，平行趋势假设自动满足（只要 \(\delta_t\) 对处理和控制单位相同）。早期采纳效应 \(\beta(1)\) 就是处理单位在 \(t=2\) 相对于 \(t=1\) 的额外变化，减去控制单位的同期变化。

推广到一般情形：当有多个时间点、多个处理单位、交错政策时间、时变潜在因子时，上述简单差分不再适用。本文的核心想法是： 1. 第一阶段：利用所有MIP前的数据（即 \(E_{it}=0\) 的时期），通过IFE模型估计 \(\beta(g)\) 的共同形状。这相当于在控制潜在因子结构的同时，从处理单位在RIP期的结果中“剥离”出早期采纳效应。 2. 第二阶段：将估计的 \(\beta(g)\) 从结果中减去（残差化），然后对残差化结果应用SCM来估计 \(\tau(e)\)。残差化后的结果不再包含早期采纳效应，因此SCM的no-anticipation假设得以满足。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在交错政策实施（staggered policy implementation）的潜在结果框架下，形式化了政策干预的“早期采纳”（early adoption）现象——即在强制合规前自愿采用导致结果提前变化，从而违反SCM的no-anticipation假设，并提出了将总政策效应分解为早期采纳效应和强制效应两部分的方法。
  2. 核心工具/方法：提出一个两阶段SCM程序——第一阶段利用pre-mandate数据通过交互固定效应（IFE）模型估计早期采纳效应的共同形状 \(\beta(g)\)，第二阶段对残差化后的结果应用SCM变体（Generalized SCM或Augmented SCM）来估计强制效应 \(\tau(e)\) 和总效应 \(\Delta(e)\)。
  3. 主要结论：模拟实验表明，即使在早期采纳与潜在因子相关时，该方法相比传统SCM估计量能显著减少偏差并改进不确定性量化（覆盖率接近名义水平0.95，而naive方法覆盖率接近0）。应用至州级PDMP政策与人均阿片类药物配发数据后，估计显示PDMP可用性和强制令后阿片类药物配发有所减少，但估计不精确且未达统计显著性。

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：

  • SUTVA（Stable Unit Treatment Value Assumption）：单位 \(i\) 的潜在结果仅依赖于其自身的RIP和MIP路径，不依赖于其他单位的状态（Section 3.2，原文：“potential outcomes for unit \(i\) depend only on its own RIP and MIP path and not those of other units”）。作者在secondary simulation中检验了SUTVA被违反（异质性早期采纳版本）时的稳健性。
  • Assumption 1（模型规范）：结果生成过程为低秩IFE模型（式1），因子数视为已知。这是全文最强的假设——它假设了 \(\beta(g)\) 和 \(\tau(e)\) 的加法可分解性（无交互），以及潜在因子结构正确捕捉了时变未观测混杂。
  • Assumption 2（正性）：\(P(G_{it} \ge 1 | Z_{it}) \in (0,1)\) 且 \(P(E_{it} \ge 1 | Z_{it}) \in (0,1)\)，其中 \(Z_{it} = (X_{it}, f_t, \lambda_i)\)。即给定潜在因子结构，每个单位都有正概率进入RIP和MIP状态。
  • Assumption 3（潜在可交换性）：\(Y_{it}(g, e) \perp\!\!\!\perp (G_{it}, E_{it}) | Z_{it}\)。即给定潜在因子结构和观测协变量，RIP和MIP的时机与潜在结果独立。这相当于条件无混杂假设，但条件集包含未观测的潜在因子。
  • Assumption 4（效应结构）：早期采纳效应是进入RIP后时间的函数，且在所有单位间有共同形状；进入MIP后，早期采纳效应固定在其最终pre-mandate值（即 \(\beta(G_{it})\) 在MIP期不再变化）。强制效应仅依赖于进入MIP后的时间，不依赖于RIP期的长度。

相比已有文献的放宽/强化： - 放宽：相比标准SCM，本文允许no-anticipation假设被违反，并通过两阶段程序处理。 - 强化：相比Gong (2021) 的bounding方法，本文需要更强的模型假设（IFE模型、共同形状、加法分解）来获得点识别。

主要结果

理论型：本文为方法型论文，无独立定理陈述。主要结果来自模拟实验。

核心量化结论（模拟）： - Simulation 1（无早期采纳）：所有方法均无偏，但本文方法方差更大（SE=1.3 vs 0.56），反映不必要的残差化引入噪声。 - Simulation 2（基线早期采纳）：本文方法对平均总效应、早期采纳效应、强制效应的估计几乎无偏（percent bias接近0），而naive方法对平均总效应有-6%的偏倚，对平均早期采纳效应有-62%至-68%的偏倚。 - Simulations 3-5（早期采纳与潜在因子相关）：本文方法保持近无偏，覆盖率0.95-0.98；naive方法覆盖率接近0。 - Simulation 6（因子重缩放）：早期采纳效应较小，naive方法对总效应的偏倚降至-4.6%，但本文方法仍近无偏。 - SUTVA违反（secondary simulation）：当仅50%单位早期采纳，或早期采纳程度异质时，本文方法仍近无偏，覆盖率0.94-1.0。

与baseline对比：naive方法（忽略早期采纳的SCM）在所有含早期采纳的场景中均表现极差，覆盖率接近0。本文方法在偏差和覆盖率上均显著优于naive方法。

稳健性：在应用部分，作者对样条多项式次数（K=2,3,4）、自由度（df=1,2,3）、因子数（r=4,5）进行了敏感性分析，结果无实质性变化（Table S2）。

证明路线与技术技巧

整体路线（3-5步逻辑主干）：

  1. 形式化：在潜在结果框架下定义 \(A_{it}\)（RIP）、\(D_{it}\)（MIP）、\(G_{it}\)、\(E_{it}\)，以及 \(\beta(g)\)、\(\tau(e)\)、\(\Delta(e)\)。证明总效应可分解为 \(\Delta(e) = \beta(T_i - P_i) + \tau(e)\)（Supplementary Material S1）。
  2. 第一阶段估计 \(\beta(g)\)：利用所有 \(E_{it}=0\) 的数据（即MIP前），拟合IFE模型（式2），其中 \(\beta(G_{it})\) 用单调样条基表示。这相当于在控制潜在因子结构的同时，从处理单位在RIP期的结果中提取早期采纳效应的共同形状。
  3. 残差化：计算 \(\tilde{Y}_{it} = Y_{it} - \hat{\beta}(G_{it}) A_{it}\)。这移除了早期采纳效应，使得残差化结果在RIP期和MIP期均反映“无早期采纳”的反事实。
  4. 第二阶段估计 \(\tau(e)\)：对 \(\tilde{Y}_{it}\) 应用SCM变体（Generalized SCM或Augmented SCM），得到残差空间中的反事实 \(\tilde{Y}_{it}(G_{it}, 0)\)。然后映射回原始尺度：\(\hat{Y}_{it}(G_{it}, 0) = \tilde{Y}_{it}(G_{it}, 0) + \hat{\beta}(G_{it})\)。强制效应估计为 \(\hat{\tau}(e) = \frac{1}{N_e} \sum_{i,t: E_{it}=e} [\tilde{Y}_{it} - \tilde{Y}_{it}(G_{it}, 0)]\)。
  5. 不确定性量化：使用单位级bootstrap（重抽样单位，保留完整时间序列），重复步骤1-4，得到bootstrap分布，计算标准误和百分位CI。

关键跳跃点： - 跳跃点1：如何从 \(Y_{it}\) 中分离 \(\beta(g)\) 和潜在因子结构？当早期采纳效应与潜在因子相关时（Simulations 3-6），简单差分无法区分两者。作者的解法是：利用所有单位（包括控制单位）的MIP前数据，通过IFE模型同时估计因子结构和 \(\beta(g)\)。这依赖于因子模型对时变未观测混杂的捕捉能力。 - 跳跃点2：残差化后，SCM的no-anticipation假设是否真的满足？是的，因为 \(\tilde{Y}_{it}\) 在RIP期和MIP期均反映“无早期采纳”的反事实，因此预处理结果可用于恢复未处理反事实。但前提是 \(\hat{\beta}(g)\) 一致估计了真实 \(\beta(g)\)。 - 跳跃点3：如何处理交错政策时间导致的 \(\tau(e)\) 在不同单位间不可比？作者通过重新索引augsynth的估计结果，使其与gsynth的索引对齐，然后仅使用共同支持的事件时间计算聚合度量。

技术技巧点名： - 交互固定效应（IFE）模型：用于第一阶段，同时估计潜在因子结构和早期采纳效应。这是处理时变未观测混杂的标准工具（Bai, 2009）。 - 单调样条基：用于参数化 \(\beta(g)\)，提供灵活但受控的早期采纳效应形状。作者未明确说明样条类型（如B-spline、M-spline），但提到“monotonic spline basis”。 - 残差化（residualization）：核心技巧，将早期采纳效应从结果中移除，使得SCM的no-anticipation假设得以满足。继承自Doudchenko & Imbens (2016) 和 Ben-Michael et al. (2021) 的残差化思路。 - 单位级bootstrap：用于不确定性量化，保留单位内时间序列相关性。这是面板数据中常用的非参数推断方法。

真实例子与应用

数据：州级PDMP政策数据（Lee et al., 2021）和DEA ARCOS数据库中的阿片类药物配发数据（2000-2016，季度，人均MME）。49个州+DC，Missouri无PDMP被排除，Delaware因政策时间顺序不一致被排除。

方法应用： - 第一阶段：使用所有MIP前数据（即 \(E_{it}=0\) 的时期），拟合IFE模型，样条基估计 \(\beta(g)\)。因子数通过信息准则选择（主分析中r=5）。 - 第二阶段：对残差化结果应用Generalized SCM（主分析）和Augmented SCM（敏感性分析），估计 \(\tau(e)\) 和 \(\Delta(e)\)。 - 不确定性：B=500次bootstrap。

结果： - 平均总效应 \(\bar{\Delta}_{\text{post}} = -23.6\) MME/人/季度（95% CI: -38.0, 2.8） - 平均早期采纳效应 \(\bar{\beta}_{\text{early}} = -1.7\)（95% CI: -10.1, 11.9） - 平均强制效应 \(\bar{\tau}_{\text{post}} = -15.2\)（95% CI: -38.7, 8.3） - 平均安慰剂效应 \(\bar{\tau}_{\text{pre}} = 0.03\)（95% CI: -0.09, 0.49），表明预处理拟合良好 - 所有估计均不显著（CI包含0）

这个例子想说明什么： - 验证理论：展示方法在真实数据上的可行性，包括数据预处理、模型选择、推断。 - 展示相对baseline的优势：通过比较本文方法与naive方法（未展示naive结果，但模拟已展示其偏倚），暗示naive方法可能高估或低估效应。 - 揭示实际挑战：宽CI和统计不显著表明，即使方法正确，真实数据中的信号可能较弱，或存在未建模的异质性（如州际差异、处方模式变化）。

🔎 结论是否比证明窄

是。以下地方是严格证明、却被泛化claim或conjecture：

  1. 共同形状假设（Assumption 4）：作者假设 \(\beta(g)\) 在所有单位间有共同形状，但在应用部分承认“substantially different early adoption patterns across treated states”可能导致偏倚（Section 6，原文：“Violations of these modeling assumptions, including substantially different early adoption patterns across treated states...could bias estimates”）。这是一个conjecture——作者未证明当共同形状被违反时估计量的偏倚方向或大小。
  2. 加法分解（Assumption 1）：假设 \(\beta(g)\) 和 \(\tau(e)\) 可加法分解，无交互。作者在Section 6承认“mandate effects that vary with the duration of the RIP period”可能导致偏倚。这也是一个conjecture——未证明交互存在时的识别失败程度。
  3. SUTVA：作者在secondary simulation中检验了异质性早期采纳版本（partial adoption）下的稳健性，但未考虑跨单位干扰（如邻州PDMP政策的影响）。Section 6承认“we do not consider interference or spillover effects, such as cross-state changes in opioid prescribing or dispensing induced by neighboring states’ PDMP policies”。这是一个limitation，而非证明。
  4. 因子数选择：模拟中因子数设为已知（true value），应用中通过信息准则选择。作者未证明当因子数被误设时估计量的渐近性质。这是一个gap。

四、开放问题（点到为止，扎根具体语句）

  1. 放松共同形状假设：当 \(\beta(g)\) 在不同单位间异质时，本文方法是否仍可识别？能否通过允许单位特异性 \(\beta_i(g)\) 或使用聚类方法来处理？扎根于Section 6：“In settings where early adoption patterns are highly heterogeneous, it may be more appropriate to apply our method separately to individual treated states or subgroups of homogeneous units.”

  2. 处理交互效应：当强制效应 \(\tau(e)\) 依赖于RIP期长度 \(T_i - P_i\) 时，加法分解失效。能否将 \(\tau(e, T_i - P_i)\) 作为二维函数估计？扎根于Section 6：“mandate effects that vary with the duration of the RIP period, could bias estimates.”

  3. 推导半参效率界：本文估计量的渐近方差是否达到半参效率下界？两阶段程序是否可被替换为一步GMM或one-step debiased estimator以提高效率？扎根于Section 6：“our uncertainty quantification relies on a unit-level bootstrap, whose finite-sample properties may be sensitive to the number of treated units and staggered policy timing.” 这暗示了更高效的推断方法可能可行。

  4. 处理有限样本下的因子数选择：当 \(N\) 或 \(T\) 较小时，信息准则可能错误选择因子数。能否发展出对因子数误设稳健的推断方法？扎根于Section 3.5：“the number of latent factors may be specified a priori or selected using a data-driven procedure.” 作者未讨论误设的后果。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论