Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > econ > arXiv:2507.12690v1

帮助 | 高级搜索

经济学 > 计量经济学

arXiv:2507.12690v1 (econ)
[提交于 2025年7月16日 ]

标题: NA-DiD:利用能力扩展双重差分法

标题: NA-DiD: Extending Difference-in-Differences with Capabilities

Authors:Stanisław M. S. Halkiewicz
摘要: 本文介绍了非可加差异法(NA-DiD)框架,该框架通过结合Choquet积分来纳入非可加性度量,从而扩展了经典DiD方法。它作为一种新颖的计量经济学工具,用于影响评估,特别是在存在非可加性处理效应的情况下。首先,我们介绍了经典DiD模型的积分表示,然后将其扩展到非可加性度量,从而推导出NA-DiD估计的公式。接着,我们给出了其理论性质。将NA-DiD应用于模拟的医院卫生干预中,我们发现经典DiD可能会高估处理效应,例如未能考虑合规性下降。相比之下,NA-DiD通过纳入非线性聚合提供了更准确的估计。本文中使用和介绍的技术的Julia实现见附录。
摘要: This paper introduces the Non-Additive Difference-in-Differences (NA-DiD) framework, which extends classical DiD by incorporating non-additive measures the Choquet integral for effect aggregation. It serves as a novel econometric tool for impact evaluation, particularly in settings with non-additive treatment effects. First, we introduce the integral representation of the classial DiD model, and then extend it to non-additive measures, therefore deriving the formulae for NA-DiD estimation. Then, we give its theoretical properties. Applying NA-DiD to a simulated hospital hygiene intervention, we find that classical DiD can overestimate treatment effects, f.e. failing to account for compliance erosion. In contrast, NA-DiD provides a more accurate estimate by incorporating non-linear aggregation. The Julia implementation of the techniques used and introduced in this article is provided in the appendices.
主题: 计量经济学 (econ.EM) ; 方法论 (stat.ME)
引用方式: arXiv:2507.12690 [econ.EM]
  (或者 arXiv:2507.12690v1 [econ.EM] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12690
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Stanisław Halkiewicz [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 23:49:04 UTC (87 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
econ.EM
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
econ
stat
stat.ME

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号