学术讲座# 中国人民大学经济学院江艇：渐进DID的最新进展

关于DID因果识别

• Imbens: 任何的因果识别归根结底都是做插值与差值
• 传统\(DID\)最大的两类威胁是：①平行趋势不成立；②存在混淆政策
• \(DID\)的重要前提是平行趋势，但这种前提实际并不能完全验证：事前平行并不意味着事后平行趋势，但事前不平行一定能验证平行趋势不成立
• 最经典的例子就是经济特区，深圳在改革开放前可能和中原地区的一个小村庄没有什么不同，但是即使深圳没有被划为经济特区，改革开放后其经济增长趋势也有可能因为地缘优势而呈现较快的增长趋势
• 两期的数据做\(DID\)会退化为\(FD\)，此时的截距项代表时间变化趋势
• Good control: 既影响\(y\)，又影响\(D\cdot T\)
• Bad control: 既影响y，又被\(D\cdot T\)影响
• 无法判断影响样本进入处理组的因素是否还影响其变化趋势
• 潜在结果：使用上标表示，想象中的结果
• \(ATT\)：处理组接受处理后的平均处理效应
• \(D\)实际可以理解为处理组的固定效应

1. 交错型DID(staggered DID)

• 没有办法构造\(D\cdot T\)，可以直接定义\(D\cdot T\)，表示接受处理的虚拟变量
• 干预事件的发生时间不一致，极可能意味着，事后趋势不一致。为此，应尽量控制影响\(X_i\)，避免控制既影响\(y\)，又被\(D⋅T\)影响的\(X_{it}\)
• Goodman-Bacon定理：任何一个交错\(DID\)的双向固定效应模型都可以分解为\(K^2\)个传统双重差分估计结果的加权平均
• 导致偏误的原因在于：以晚处理组为处理组，以早处理组为对照组，此时双重差分估计中包含了一项\(\Delta ATT\)，即早处理组的政策效应存在明显的动态变化
• 交错\(DID\)估计出的\(\beta\)究竟意味着什么？由三部分构成：①方差加权的\(ATT\)；②方差加权的趋势差异；③\(\Delta ATT\)

2. 改进策略——基于事件研究法

• 2.1 进行\(bacondecommp\)分解，观察以早处理组为控制组的系数和权重，判断其是否影响了最终系数的估计
• 2.2 进行协变量的平衡性检验。在交错\(DID\)的情形下，平行趋势检验没办法做。干预时间的不一致，平衡性检验可作为一种替代手段。此做法的目的在于判断事前变量与干预处理进度之间的关系。进行匹配时，都可以以政策执行前某一期为准
• 2.3 进一步，可以按照各组作为控制组的贡献作为权重，对事前变量与干预处理进度进行加权\(OLS\)
• 2.4 进行\(bacondecommp\)分解，必须是平衡面板数据，所以要删除一些样本
• 2.5 事件研究法：变日历时间为相对时间。按照相对时间进行校准，如果存在非常明显的趋势，则\(\Delta ATT\)一定会比较大，基准模型会存在低估偏误
• 2.6 可以根据事件研究法的结果，将核心解释变量乘以一个\((t-T^*)\)

3.改进策略——堆叠\(DID\)(Stacked \(DID\))

• 3.1 假定存在K个处理时点，构造K个数据集。每个数据集中只保留可以为处理组服务的控制组，比如晚处理组和一直未处理的组。标准误需要聚类到数据集上面
• 3.2 从构造上保证了早处理组不能作为控制组

4.改进策略——对事件研究法的反思，寻找干净的控制组

• 4.1 仅不同时间队列样本的动态处理效应变化方式是一样的，事件研究法的估计才是有效的