森林差异：超越参数化双重差分的稳健因果推断
统计方法学
2025-06-10 v2 机器学习
机器学习
摘要
本文引入差分-差分贝叶斯因果森林（DiD-BCF），一种新型非参数模型，旨在解决双重差分估计中的关键挑战，如错位采纳和异质处理效应。DiD-BCF 提供了统一框架，用于估计平均因果效应（ATE）、群体平均因果效应（GATE）和条件平均因果效应（CATE）。其核心创新之一是基于平行趋势假设（PTA）的重新参数化，显著提升了在复杂面板数据环境中的估计精度和稳定性。广泛的模拟实验表明，DiD-BCF 在非线性、选择偏差和效应异质性等情形下，优于现有旁路方法。我们将其应用于美国最低工资政策，发现其揭示了与县域人口密切相关的显著条件性处理效应异质性，而传统方法则掩盖了这些洞见。DiD-BCF 为现代双重差分应用提供了稳健且多功能的因果推断工具。
引用
@article{arxiv.2505.09706,
title = {Forests for Differences: Robust Causal Inference Beyond Parametric DiD},
author = {Hugo Gobato Souto and Francisco Louzada Neto},
journal= {arXiv preprint arXiv:2505.09706},
year = {2025}
}