翻转干预下的纵向加权与修剪处理效应

加权与修剪是解决因果推断中正性违规的流行方法。虽然已在单时间点数据中进行充分研究，但标准方法难以推广至解决纵向数据中非基线正性违规，且仍易受此类违规影响。在本文中，我们通过随机的“翻转”干预将加权与修剪扩展至纵向数据，该干预方式维持将接受目标处理的主体的处理状态，并以其权重（如重叠权重、修剪指示器）的概率将其他主体的处理翻转至目标处理。我们首先在单时间点数据中展示，翻转干预产生一大类加权平均处理效应，为这些流行加权估计量赋予了新的政策解释。随后在纵向数据中，我们证明翻转干预在非基线协变量上实现可解释的加权或修剪，关键的是，在任意正性违规条件下，能够获得可识别的效应。此外，我们展示翻转干预具有政策相关性，因为它们在实践中可以被实现。相比之下，我们证明针对非基线协变量的其他加权方法无法实现此属性。我们基于高效影响函数推导灵活且高效的估计器，当权重是倾向得分的光滑函数时。具体而言，我们构建基于高效影响函数的乘性稳健式估计器和顺序双稳健式估计器，能够在非参数条件下实现根-n 一致性和渐近正态性。最后，我们通过分析工会成员资格对收入影响的案例来展示本文方法的有效性。