观文听傑

返回

上线时点之后,观测路径与多条允许的反事实趋势逐渐分开,敏感性带随时间变宽上线时点之后,观测路径与多条允许的反事实趋势逐渐分开,敏感性带随时间变宽

上一篇把平行趋势从“成立或不成立”改写成一个敏感性问题:如果处理后的趋势偏差最多有多大,结论会不会改变?但“最多多大”还不够具体。偏差可以始终很小却忽然折弯,也可以平滑地逐步积累;它们对短期与长期效果的影响不同。

本篇只讲一个核心:**把处理后允许的趋势偏差写成可解释的形状集合,再计算所有允许偏差下都站得住的区间。**我们比较相对幅度(relative magnitudes)、二阶差分平滑度(smoothness)和方向限制(shape restrictions),并用作者维护的 R 包 HonestDiD 读取事件研究估计与协方差。它延续上一篇的趋势敏感性问题,下一篇将转向上线前的研究设计:怎样冻结结果口径、估计对象和决策规则,避免看到结果后才挑假设。

01 同样的预趋势,处理后可以怎样偏离?#

设处理组和对照组在事件时间 tt 的未处理潜在结果差为 dtd_t。若平行趋势精确成立,dtd_t 不随时间改变;若不成立,变化部分会混进事件研究系数。令 deltatdelta_t 表示这项未观测趋势偏差,hatβthat\beta_t 是估出的事件研究系数,τt\tau_t 是真实处理效应。直观上,处理后有

β^t≈τt+δt+抽样误差.\hat\beta_t \approx \tau_t + \delta_t + \text{抽样误差}.

因此要估计某个动态效果组合 θ=ℓ⊤τ\theta=\ell^\top\tau,就要问趋势偏差在同一组合上的影响 ℓ⊤δ\ell^\top\delta 可以有多大。ℓ\ell 是目标权重:看第一个处理后时期时只选该期;看两期平均时可取 (1/2,1/2)(1/2,1/2)。没有先写明目标,稳健区间就没有明确含义。

事件研究输入是一个系数向量 β^∈RK+P\hat\beta\in\mathbb R^{K+P} 和协方差矩阵 Σ^∈R(K+P)×(K+P)\hat\Sigma\in\mathbb R^{(K+P)\times(K+P)}:KK 个处理前系数在前、PP 个处理后系数在后,参考期通常被省略。协方差的行列顺序必须与系数完全一致。它应来自正确随机化/聚类层级下的估计,不能把系数标准误随手拼成彼此独立的对角阵用于正式分析。

flowchart LR
  A[事件研究系数 β 与协方差 Σ] --> B[冻结目标权重 ℓ]
  B --> C[选择可解释的偏差形状集合 Δ]
  C --> D[在所有 δ ∈ Δ 下求最坏偏差]
  A --> E[纳入抽样不确定性]
  D --> F[对每种限制与尺度计算稳健区间]
  E --> F
  F --> G[报告何时跨过 0 与对应假设]
mermaid

图中的 Δ\Delta 是对可能偏差轨迹的约束,不是从样本“检验通过”的结论。敏感性分析回答“在这些偏差形状里,区间怎样变化”;它不能证明所选集合覆盖了真实偏差。

02 相对幅度和曲率,限制的是不同东西#

**相对幅度限制(relative-magnitude restriction)**把处理后的趋势变化与处理前观察到的最大变化相比。令 δt\delta_t 表示差异趋势,则一种直观写法是限制处理后相邻时期的变化:

∣δt+1−δt∣≤Mˉ max⁡s<0∣δs+1−δs∣,t≥0.|\delta_{t+1}-\delta_t| \leq \bar M\,\max_{s<0}|\delta_{s+1}-\delta_s|,\quad t\geq 0.

Mˉ\bar M 是无量纲倍率。Mˉ=1\bar M=1 表示允许处理后每期的趋势变化不超过处理前看到的最大一期变化;Mˉ=2\bar M=2 则允许达到两倍。它不是“处理效应缩小到一半”,也不是显著性水平。若处理前最大变化非常接近零,这个尺度会很脆弱,必须把预趋势估计的不确定性和领域尺度一起考虑。

**平滑度限制(smoothness restriction)**约束趋势偏差的二阶差分,也就是斜率改变的幅度:

∣δt+1−2δt+δt−1∣≤M.|\delta_{t+1}-2\delta_t+\delta_{t-1}|\leq M.

MM 带有结果变量的量纲,并依赖时期单位:若结果是转化率百分点,事件时间以周计,那么二阶差分以“百分点/周变化”表达。小 MM 允许近似线性延伸,大 MM 允许更急的弯曲。它不是限制偏差水平恒定在 MM 以内,因此不要把 MM 误读成处理后结果的最大误差。

这两种假设各有侧重:相对幅度比较每期趋势变化和处理前的实测尺度;平滑度比较趋势斜率怎样弯折。若知道偏差方向,也可加符号限制;若合理假设偏差单调,可加入单调性限制。限制越多,集合越小、区间通常越窄,但结论也依赖更强的先验判断。

限制对象尺度直觉问题
相对幅度 Mˉ\bar M处理后每期趋势变化无量纲倍率能比最坏预趋势大几倍?
平滑度 MM趋势偏差的二阶差分结果单位/时期²斜率每期最多弯多少?
方向/单调性偏差符号或变化方向方向假设有领域证据支持只往一边走吗?

03 手算:一个稳健区间怎样变宽?#

假设研究者关心两期平均效果,事件研究点估计为 β^post=(0.6,0.8)\hat\beta_{post}=(0.6,0.8),平均估计是 0.70.7。在“完全平行”下,常规 95% 区间假设为 [0.4,1.0][0.4,1.0]。若一个极简教学情境把选定的偏差集合投影到这个平均目标后,得到 ℓ⊤δ∈[−0.2,0.2]\ell^\top\delta\in[-0.2,0.2],那么最坏偏差会把区间两端向外推:

[0.4,1.0]+[−0.2,0.2]=[0.2,1.2].[0.4,1.0]+[-0.2,0.2]=[0.2,1.2].

点估计仍是 0.70.7,变化的是允许的反事实范围。此处把偏差投影当成已知区间,并用区间相加演示几何直觉;它不是 HonestDiD 的数值输出。正式算法同时使用整个系数向量、协方差、目标权重与限制集合,计算对所有允许偏差有效的置信集合。

想象图中竖线是处理时点:相对幅度限制每期允许的差异趋势变化相对预趋势最大变化有多大;平滑度限制反事实曲线能以多快的速度转弯。若长期效果权重更偏向远期,累积趋势偏差通常更重要;所以报告一个“稳健/不稳健”标签会丢失关键上下文,最好画出区间随 Mˉ\bar M 或 MM 变化的曲线。

04 用 HonestDiD:把目标、顺序和协方差对齐#

作者维护的 R 包提供 constructOriginalCS()、createSensitivityResults() 和 createSensitivityResults_relativeMagnitudes()。下面用人为构造的系数和对角协方差说明 API 的数据契约;它只供检查形状与参数流,不能替代真实回归、聚类协方差或结果复核。正式使用应传入事件研究模型导出的完整协方差矩阵。

betahat 和 sigma 分别是估计量与估计误差结构;numPrePeriods、numPostPeriods 告诉函数如何拆分事件期;l_vec 指定要推断的处理后线性组合。输出表含区间端点等列,逐个敏感度值报告。若只用默认 l_vec,函数通常针对第一个处理后效果,而不是自动给出长期平均效果。

createSensitivityResults() 对应平滑度家族,可传 Mvec;还可通过 monotonicityDirection 或 biasDirection 加方向限制。相对幅度家族用 createSensitivityResults_relativeMagnitudes() 与 Mbarvec。不要把 Mvec 与 Mbarvec 当成同一横轴:前者有结果量纲,后者是倍率。包也提供 createSensitivityPlot() 和 createSensitivityPlot_relativeMagnitudes();绘图是区间的展示层,不能代替确认系数顺序或推断层级。

下面是分析控制流的伪代码:

freeze outcome, event-time reference, target weights ell, and cluster level
fit event-study model -> betahat[K+P], sigma[(K+P) × (K+P)]
check coefficient order, omitted reference, pre/post counts, and covariance
for each justified bound M or Mbar:
    define allowed trend-bias set Delta(bound)
    optimize ell' * delta over delta in Delta(bound)
    combine worst-case bias with sampling uncertainty using HonestDiD
plot lower/upper endpoints against the bound
report first bound where interval includes zero, if such crossing occurs
text

关键检查点不是函数有没有返回对象,而是输入含义是否一致:事件时间是否等间隔、基准期是否被省略、预趋势和处理后系数是否完整、Σ^\hat\Sigma 是否按聚类/随机化层级计算、ℓ\ell 是否对应预先声明的 estimand(估计目标)。若协方差顺序错一位,代码仍可能运行,区间却针对错误的系数线性组合。

05 怎么读敏感性曲线,哪些结论容易过头?#

  • 看首次跨零位置,而不挑最好看的单个点。 在预先说明的 MM 或 Mˉ\bar M 范围内,记录区间什么时候包含零;“breakdown value”(结论失效界值)是描述敏感程度,不是另一个 pp 值。
  • 把限制尺度翻译回业务单位。 解释允许的预趋势偏离相当于每周多少百分点、或预趋势最大变化的几倍;不要只报告软件默认网格。
  • 核对事件研究估计量。 若有错时处理且效果异质,直接对传统双向固定效应系数做敏感性分析,不会自动修复错误对照;先像上一篇那样定义可信的组别—时间估计量,再确定事件时间汇总目标。
  • 重跑合理的结果口径和窗口。 埋点改变、处理前时期太少、对照组受溢出影响,都不是扩大 MM 可以修复的问题。趋势限制只处理某一类未观测偏差。
  • 保留区间与设计证据。 低功效预趋势检验没有拒绝差异,不等于平行趋势已证实;稳健区间对限制集合有效,也不证明真实偏差一定落在该集合里。
键盘可展开:汇报前的敏感性分析清单

按 Tab 聚焦摘要,再按 Enter 或 Space 展开。核对结果定义和单位;确认事件期参考值与系数顺序;列明估计量、协方差聚类层级和目标权重;分别说明 M 与 Mbar 的业务解释及扫描范围;报告原始区间、稳健区间和首次跨零位置;保存供体/样本窗口变化与代码版本。

方法主要解决什么它不能代替什么
处理前趋势图/检验展示观测到的预趋势与有限样本证据不能证明未观测的处理后平行趋势
HonestDiD 敏感性界限在声明的偏差集合下做稳健推断不能替研究者选择可信的偏差尺度
合成控制安慰剂比较供体池中的拟合与处理后差距不能自动给出任意平行趋势偏离下的稳健区间
聚类稳健标准误处理所选估计量的组内相关抽样误差不能控制未观测混杂或错误 estimand

思考练习#

  1. 两期平均的完全平行区间为 [1.1,2.3][1.1,2.3],允许目标偏差范围为 [−0.4,0.4][-0.4,0.4]。教学区间会变成什么?何时会包含零?
  2. 结果以百分点记录、事件时间以月记录。M=0.2M=0.2 的平滑度限制如何解释?改成周为单位后,能否不换算就沿用同一个数?
  3. 一个事件研究有 3 个处理前系数、5 个处理后系数,省略期不是 −1-1。调用 HonestDiD 前要如何确认 betahat、sigma、numPrePeriods 和 l_vec 的顺序?

延伸阅读#

上一篇把平行趋势转成偏差大小的敏感性分析;本篇进一步说明“大小”依赖偏差的形状与单位。下一篇将从模型假设回到实验准备:在看结果前冻结指标、目标权重和继续/停止规则,让后续推断可以审计。

平行趋势可能怎样弯?HonestDiD 的幅度、平滑度与方向约束
https://zwjcode.cn/blog/honestdid-trend-shape-restrictions
作者 傑
发布于 2026年10月15日
版权协议 CC BY-NC-SA 4.0
评论加载似乎遇到了问题,请尝试刷新页面。