Buchumschlag

Do covariates explain why these groups differ? The choice of reference group can reverse conclusions in the Oaxaca-Blinder decomposition

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Quintero, Manuel, Shreekumar, Advik, Stephenson, William T., Broderick, Tamara
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Methodology Machine Learning Econometrics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Common Functional Decompositions Can Mis-attribute Differences in Outcomes Between Populations
von: Quintero, Manuel, et al.
Veröffentlicht: (2025)

Survey calibration for causal inference: a simple method to balance covariate distributions
von: Beręsewicz, Maciej
Veröffentlicht: (2023)

Dynamic covariate balancing: estimating treatment effects over time with potential local projections
von: Viviano, Davide, et al.
Veröffentlicht: (2021)

Can We Validate Counterfactual Estimations in the Presence of General Network Interference?
von: Shirani, Sadegh, et al.
Veröffentlicht: (2025)

Assumption-lean covariate adjustment under covariate adaptive randomization when $p = o (n)$
von: Gu, Yujia, et al.
Veröffentlicht: (2025)

When Do Treatment Changes Identify Causal Effects?
von: Huber, Martin
Veröffentlicht: (2026)

A simple distributional difference-in-differences estimator for univariate and bivariate outcomes
von: Fernández-Val, Iván, et al.
Veröffentlicht: (2024)

Misclassification in Difference-in-differences Models
von: Denteh, Augustine, et al.
Veröffentlicht: (2022)

Practically significant differences between conditional distribution functions
von: Dette, Holger, et al.
Veröffentlicht: (2025)

Educational Effects in Mathematics: Conditional Average Treatment Effect depending on the Number of Treatments
von: Nagai, Tomoko, et al.
Veröffentlicht: (2024)

Formalising causal inference as prediction on a target population
von: Höltgen, Benedikt, et al.
Veröffentlicht: (2024)

Functional effects models: Accounting for preference heterogeneity in panel data with machine learning
von: Salvadé, Nicolas, et al.
Veröffentlicht: (2025)

Vector Copula Variational Inference and Dependent Block Posterior Approximations
von: Fu, Yu, et al.
Veröffentlicht: (2025)

Robust Matrix Estimation with Side Information
von: Agarwal, Anish, et al.
Veröffentlicht: (2026)

Fast Online Changepoint Detection
von: Ghezzi, Fabrizio, et al.
Veröffentlicht: (2024)

Regularizing Extrapolation in Causal Inference
von: Arbour, David, et al.
Veröffentlicht: (2025)

Estimation of Optimal Dynamic Treatment Assignment Rules under Policy Constraints
von: Sakaguchi, Shosei
Veröffentlicht: (2021)

Tackling Interference Induced by Data Training Loops in A/B Tests: A Weighted Training Approach
von: Si, Nian
Veröffentlicht: (2023)

A step towards the integration of machine learning and classic model-based survey methods
von: Żądło, Tomasz, et al.
Veröffentlicht: (2024)

Machine-Learning-Assisted Comparison of Regression Functions
von: Yan, Jian, et al.
Veröffentlicht: (2025)

Synthetic Combinations: A Causal Inference Framework for Combinatorial Interventions
von: Agarwal, Abhineet, et al.
Veröffentlicht: (2023)

An Introduction to Double/Debiased Machine Learning
von: Ahrens, Achim, et al.
Veröffentlicht: (2025)

Partial Identification under Missing Data Using Weak Shadow Variables from Pretrained Models
von: Chen, Hongyu, et al.
Veröffentlicht: (2026)

Linear Multidimensional Regression with Interactive Fixed-Effects
von: Freeman, Hugo
Veröffentlicht: (2022)

Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal
von: Athey, Susan, et al.
Veröffentlicht: (2023)

xtdml: Double Machine Learning Estimation to Static Panel Data Models with Fixed Effects in R
von: Polselli, Annalivia
Veröffentlicht: (2025)

HMM-LSTM Fusion Model for Economic Forecasting
von: Sivakumar, Guhan
Veröffentlicht: (2025)

Synthetic Potential Outcomes and Causal Mixture Identifiability
von: Mazaheri, Bijan, et al.
Veröffentlicht: (2024)

Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles
von: Adedayo, S. A.
Veröffentlicht: (2025)

Estimating Causal Effects with Double Machine Learning -- A Method Evaluation
von: Fuhr, Jonathan, et al.
Veröffentlicht: (2024)

Calibration Strategies for Robust Causal Estimation: Theoretical and Empirical Insights on Propensity Score-Based Estimators
von: Klaassen, Sven, et al.
Veröffentlicht: (2025)

Adaptive stable distribution and Hurst exponent by method of moments moving estimator for nonstationary time series
von: Duda, Jarek
Veröffentlicht: (2025)

Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
von: Zhou, Guanhao, et al.
Veröffentlicht: (2025)

A Causal Inference Framework for Data Rich Environments
von: Abadie, Alberto, et al.
Veröffentlicht: (2025)

Off-Policy Evaluation via Adaptive Weighting with Data from Contextual Bandits
von: Zhan, Ruohan, et al.
Veröffentlicht: (2021)

A Gentle Introduction to Conformal Time Series Forecasting
von: Stocker, M., et al.
Veröffentlicht: (2025)

Robust Inference Methods for Latent Group Panel Models under Possible Group Non-Separation
von: Akgun, Oguzhan, et al.
Veröffentlicht: (2025)

Adaptive Student's t-distribution with method of moments moving estimator for nonstationary time series
von: Duda, Jarek
Veröffentlicht: (2023)

On Binscatter
von: Cattaneo, Matias D., et al.
Veröffentlicht: (2019)

Applied Causal Inference Powered by ML and AI
von: Chernozhukov, Victor, et al.
Veröffentlicht: (2024)