“未測量的協變數”是否有任何簡單的解釋或替代名詞？
在閱讀 DID 論文時，我遇到了一個常見的片語“未測量的協變數”，例如
以類似的方式，上的係數 $ P_t $ 擷取任何未測量的協變數的綜合影響，這些協變數在兩個時期之間發生變化，但在兩組中以相同的方式影響結果
或者
一個關鍵點是，組效應和時間趨勢源於組和時間段之間**未測量的協變數的潛在差異。**DID 設計旨在控制這些未測量的混雜因素，即使未明確測量基礎變數
由於缺乏對“未測量的協變數”片語的理解，我無法完全理解這些句子
未測量的協變數只是一些省略的變數。例如，假設解釋工資的真實模型由下式給出：
$$ w_i = \beta_0 + \beta_1 E_i + \beta_2 A_i + e_i $$
在哪裡 $ w_i $ 是工資， $ E_i $ 你的教育和 $ A_i $ 天生的能力或天賦。
不幸的是，在現實生活中，我們沒有關於個人才能/能力的統計數據。因此，在現實生活中，我們只能估計以下回歸：
$$ w_i = \beta_0 + \beta_1 E_i +e_i $$
然而，上述模型存在遺漏變數偏差（例如，協變數不可測量的問題，請參見 Verbeek 現代計量經濟學指南第 55 頁中的討論）。
Diff-in-Diff 解決了這個問題，因為正如您在此處提出的上一個問題中所解釋的那樣，即使由於群體或個人之間的未觀察到的變數導致結果不同，您也可以爭辯說，您可以通過觀察趨勢之間的變化來獲得治療效果治療和控制。這控制了任何不可觀察的時間不變性，例如組之間的先天能力或智商，因為這些不可觀察性時間不變性的差異已經反映在結果的差異中，但它不應該影響干預後的趨勢，因為例如，如果你的能力水平給你$在您的月工資中增加 1000 美元，它應該在一些干預之前和之後這樣做，因此您的工資超過趨勢（您使用對照組）給出的任何增加都可以被認為歸因於乾預。