因子模型论文给出不依赖平行趋势的面板因果推断
PtrPomorski · x · 2026-07-24
因子模型因果推断：不靠平行趋势也能做面板识别
这篇论文提出一个用于面板数据因果推断的 因子模型框架。它把政策干预理解为：处理组单位对潜在共同冲击的暴露结构发生变化，进而影响结果变量。
论文的要点包括：
- 不要求传统的平行趋势假设；
- 可以处理一个或多个被处理单位；
- 在单位-时间层面的随机效应无法点识别时，仍能针对系统性效应建模；
- 仿真显示覆盖率接近名义水平。
作者还把方法应用到 加州烟草管制 和 德国统一 两个案例中，估计结果与 synthetic control 大体一致，同时给出了正式的置信区间。
「研究」频道最新
- Meta 新基准 GAMUT 专测长答案遗漏，最好模型仅 58.7% — rohanpaul_ai · 2026-07-24
- 15小时机器人视频训练出零样本世界模型 — jbhuang0604 · 2026-07-24
- 新训练子网把竞争重点从权重改成了数据 — const_reborn · 2026-07-24
- Cohere Labs 发起 48 小时模型挑战，考验语言学习与推理 — Cohere_Labs · 2026-07-24
- SupraLabs 发布 500 万条推理语料，专为小模型微调 — LH-Tech_AI · 2026-07-24
- 一张图讲清普通最小二乘法线性回归 — mdancho84 · 2026-07-24