PulseAugur
中
实时 01:41:35
English(EN) A Fixed-Effects Causal Forest for Staggered Adoption, with an Application to Medicaid Expansion

新的统计方法改进了分阶段政策推广的因果推断

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为固定效应因果森林的新统计方法，以更好地估计在干预措施随时间推移向不同群体推广的情况下的治疗效果。该方法解决了当治疗效果因群体和时间而异时，传统双向固定效应估计器中存在的偏差。新方法通过蒙特卡洛实验进行了验证，并应用于研究《平价医疗法案》医疗补助扩张的影响，显示了失业率的显著下降，并强调了社会经济因素如何影响覆盖率的增长。 AI

排序理由 介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的统计方法改进了分阶段政策推广的因果推断

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Harry Aytug ·

    用于交错采纳的固定效应因果森林及其在 Medicaid 扩张中的应用

    arXiv:2607.19644v1 Announce Type: cross Abstract: Difference-in-differences with staggered adoption identifies group-time average treatment effects ATT(g,t) by comparing each cohort to units not yet treated, which avoids the "forbidden comparisons" that bias two-way fixed-effects…

相关实体

相关话题