观文听傑

返回

干预后处理组观测轨迹与反事实之间的差距由逐渐扩大的敏感性带包围干预后处理组观测轨迹与反事实之间的差距由逐渐扩大的敏感性带包围

上一篇按上线批次分别估计组别—时间处理效应,避免把已经处理的城市当对照;但这些比较仍要假设处理组与对照组的未处理趋势平行。现实里,推荐模型可能恰好在处理组所在城市改善网络,也可能有地区促销。处理前趋势看起来接近,并不能证明上线后的反事实趋势会继续接近。

本篇只讲一个问题:**如果平行趋势允许偏离到某个有实际含义的程度,处理效应区间会变成什么?**我们把未观测的趋势偏差限制在由处理前数据校准的集合中,再对所有允许偏差计算区间。下一篇可以继续看多种偏差形状限制,以及如何将敏感性分析用于分批处理的动态效应。

01 “处理前没显著差异”为什么不够?#

差分中的差分(Difference-in-Differences,DiD)把处理组与对照组的结果变化相减。要把这个差异解释成因果效应,需要未处理潜在结果的趋势平行。这个条件涉及处理后的反事实,而处理后处理组的未处理结果恰好观察不到。

对处理前事件时间系数做联合检验,只能检查有限样本下是否能拒绝某些处理前差异。样本少时检验可能没有足够统计功效;即使没有拒绝,也不等于偏差为零。若先看检验结果,再决定是否报告 DiD,常规置信区间还会忽略这种预检选择。

因此,敏感性分析不问“平行趋势是否被证明”,而问:“如果趋势偏差最多达到一个预先解释的量,结论还保持什么?”分析结果是对假设的敏感程度,不会凭空恢复处理后的反事实。

flowchart LR
  A[估计事件研究系数与协方差矩阵] --> B[选择趋势偏差限制]
  B --> C[用处理前趋势校准偏差尺度]
  C --> D[扫描敏感度 M]
  D --> E[对允许的反事实偏差求最坏区间]
  E --> F{区间是否仍排除 0?}
  F -->|是| G[在该偏差限制下仍稳健]
  F -->|否| H[结论依赖更强的平行趋势假设]
mermaid

这条数据流有两个输入:事件研究点估计向量和它的协方差矩阵;另一个关键输入是研究者给出的偏差限制。后者不是软件自动从数据里学出的参数,必须用领域知识、处理前变化尺度或政策背景说明。

02 用趋势偏差集合替代“精确平行”#

考虑一个处理组和一个对照组。令 δt\delta_t 表示时期 tt 两组未处理潜在结果差距相对基准期的变化。精确平行趋势把所有处理后 δt\delta_t 设为 0;敏感性分析允许其非零,但要求它属于一个限制集合 Δ\Delta。

在单个处理后时期,观测到的 DiD 估计可写成:

τ^=τ+δ+抽样误差,δ∈Δ.\widehat\tau = \tau + \delta + \text{抽样误差}, \qquad \delta\in\Delta.

这里 τ\tau 是目标处理效应,δ\delta 是趋势偏离造成的偏差。若用最简单的对称界 ∣δ∣≤B|\delta|\le B,点估计对应的部分识别区间是 [τ^−B,τ^+B][\widehat\tau-B,\widehat\tau+B]。若原始 1−α1-\alpha 置信区间为 [L,U][L,U],一个直观的外扩区间为 [L−B,U+B][L-B,U+B]。

**这只是解释偏差如何扩展区间的教学近似。**正式方法还要把预趋势估计的不确定性、事件研究系数之间的协方差,以及多期约束一起纳入稳健推断。不能拿这个外扩公式替代 HonestDiD 的正式稳健置信区间。

在多期事件研究中,将系数按“处理前、处理后”拼成 β^∈RK\hat\beta\in\mathbb R^{K},对应协方差矩阵 Σ^∈RK×K\hat\Sigma\in\mathbb R^{K\times K}。参考期通常省略,参数 θ=l⊤τpost\theta=l^\top\tau_{post} 是所关心的单期效应或加权动态平均。ll 的长度等于处理后系数个数;l=(1,0,… )l=(1,0,\dots) 选第一个处理后时期,等权平均则各分量为 1/Kpost1/K_{post}。

符号含义维度 / 取值
β^\hat\beta事件研究中未省略的处理前与处理后系数KK 维向量
Σ^\hat\Sigma这些系数的联合协方差K×KK\times K 矩阵
δ\delta处理组相对对照组的未处理趋势偏差随事件时间变化的向量
MM偏差限制的敏感度刻度M≥0M\ge0;越大,允许的偏离越强
ll目标动态效应的线性权重KpostK_{post} 维向量
Θ(M)\Theta(M)在限制强度 MM 下与数据相容的目标效应范围一维区间

03 两类限制:幅度与曲率#

Rambachan 与 Roth 的框架提供多种偏差集合。两个常见选择是:

  1. 相对幅度限制(Relative Magnitudes):假设处理后的趋势偏差不会远大于处理前观测到的最大偏差。令 ds=δs−δs−1d_s=\delta_s-\delta_{s-1} 为相邻时期趋势差距的变化,一种直觉化写法是 ∣dt∣≤Mmax⁡s<0∣ds∣|d_t|\le M\max_{s<0}|d_s|,其中 tt 是处理后时期。M=1M=1 表示允许的处理后变化不超过处理前最明显的相邻变化;M=2M=2 则允许达到两倍。正式实现会使用对应的系数限制矩阵与联合不确定性,而不是逐个点代入这个标量式。
  2. 平滑度限制(Smoothness):假设处理后的趋势差距相对处理前线性外推的弯曲幅度有限。M=0M=0 是严格线性延伸;更大的 MM 允许斜率在相邻期之间改变得更多。它适合“趋势可能延续但不应突然急转弯”的领域判断。

两者编码不同的实质性假设,不能看完哪种区间更窄就挑哪种。MM 也没有通用默认值:先检查处理前系数的量纲、相邻变化和置信区间,再说明为什么某个范围的处理后偏离可信。可以报告一系列 MM,让读者看到结论在哪个点失去稳健性。

输入:事件研究系数 beta_hat、协方差 Sigma、偏差限制类型、敏感度网格 M
为每个 M:
    构造允许的未处理趋势偏差集合 Delta(M)
    联合使用 beta_hat 与 Sigma,求目标效应的最坏下界和上界
    记录区间是否覆盖 0,以及是否仍保持预设方向
输出:M -> robust confidence interval 的敏感性曲线
text

处理前“看起来平”不能自动把 MM 设成 0:点估计接近 0 可能只是区间很宽。预趋势的统计不确定性应由 Σ^\hat\Sigma 带入正式推断;相对幅度限制还需要说明比较的是水平偏差还是相邻变化,避免把两种尺度混为一谈。

04 手算一个区间何时跨过零#

假设某个上线后时期的估计效果是 τ^=6\hat\tau=6,标准误为 11。常规正态近似 95% 区间为 6±1.96=[4.04,7.96]6\pm1.96=[4.04,7.96]。处理前相邻趋势差距的最大变化约为每期 0.50.5 个点击百分点。作为简化演示,设目标时期有两次趋势变化,且每次绝对值不超过 M×0.5M\times0.5,那么累计偏差界是 B(M)=2×0.5M=MB(M)=2\times0.5M=M。

MM偏差界 B(M)B(M)简化外扩区间是否排除 0
00[4.04, 7.96]是
22[2.04, 9.96]是
44[0.04, 11.96]勉强是
4.14.1[-0.06, 12.06]否

这个算例告诉我们:结论在允许的偏差扩大到约 M=4.04M=4.04 时触及零。它不是某篇实证研究的正式稳健区间,也没有利用多期协方差;它只展示敏感度参数如何改变结论。正式 breakdown value(结论失效临界值)应从正式稳健区间的上下界求得。

05 先用标准 Python 看懂简化外扩#

下面的函数只实现上一节的教学近似:输入单期估计、标准误、处理前相邻变化幅度、处理后步数和 MM,返回外扩后的区间。它没有优化趋势偏差向量,也没有同时校正预趋势估计误差,因此不能用于正式论文推断。

这里所有输入都是标量,输出也只有两个端点。post_steps 是偏差可以累积的处理后间隔数,不是样本数。把它误填成城市数,会把偏差单位放大到错误尺度。检查任何实现时,可先取 M=0M=0,确认结果退化为常规区间;再逐渐加大 MM,对称的简化区间只能变宽,不能变窄。

06 正式推断:事件研究结果与 HonestDiD#

正式分析先得到一致的事件研究系数及其协方差矩阵。以下 R 调用采用作者维护的 HonestDiD 包的相对幅度接口。betahat 与 sigma 必须只含事件研究系数及对应协方差;若结果里还有控制变量系数,要在调用前同步筛掉矩阵中相应的行列。

numPrePeriods 与 numPostPeriods 说明事件研究向量中两类系数的排列长度;Mbarvec 是要扫描的相对幅度网格;l_vec 定义关心哪个动态效应。输出包含不同 MM 下的下界、上界与方法信息,图上可直接读区间何时跨过 0。若要约束趋势弯曲,官方接口 HonestDiD::createSensitivityResults(...) 使用 Mvec,并要求先明确其 smoothness 版本的尺度解释。实际使用时应对照包文档核对所用设计与选项。

该接口针对的是给定事件研究估计量的敏感性分析。分批上线时,不能把含异质处理效应且比较组混杂的传统 TWFE 动态系数直接送进去,就以为稳健性问题解决了。先按上一篇的组别—时间 ATT 路线,选择适当动态汇总估计量和推断,再确认该方法的偏差集合适用于目标参数。包的 README 也列有 did 事件研究的适配示例和 universal base period 要求。

07 调试、失败场景与方法边界#

检查常见错误调试方法
系数顺序处理前后时期顺序或遗漏基准期弄错打印事件时间、系数名与 numPrePeriods / numPostPeriods 对照
协方差矩阵使用了完整回归矩阵,却只传入事件研究系数保持系数向量与协方差矩阵同顺序、同维度;检查对称性和对角线
目标参数l_vec 误选单期或平均处理效应手算 l⊤τpostl^\top\tau_{post},确认长度与权重和
MM 的含义把“倍数”写成没有单位的任意调参报告处理前变化尺度、限制类型与完整 MM 网格
预趋势不显著就把限制设为 M=0M=0联合报告点估计与不确定性;做功效和替代 MM 分析
分批上线把 TWFE 事件系数当成无异质性偏差的输入先估适用于目标 estimand 的动态效应,再做敏感性分析

该方法仍依赖研究者选定的偏差集合。若上线同时发生处理组专属埋点改版、用户构成断裂或跨组溢出,单靠“趋势偏差不超过某个倍数”未必覆盖这些结构变化。处理前时期很少或很嘈杂时,校准的最大偏差本身也不稳定;可报告替代窗口、领域量级或外部对照尺度,而不能把噪声峰值当作确定边界。

敏感性区间越宽不代表原研究“错误”,而是说明在更弱的平行趋势限制下,数据无法排除更多因果效应。反过来,区间窄也只表示在所写明的限制集合下稳健。它与安慰剂检验、预趋势图、合成控制是互补证据,不会自动修复处理选择偏差、负权重或错误的目标效应。

键盘可展开:报告敏感性分析前的核对清单

按 Tab 聚焦摘要,再按 Enter 或 Space 展开。写明估计量、事件时间基准、系数与协方差的维度、偏差限制类型、M 的单位解释、M 网格、目标线性组合,以及区间首次包含零的位置。把常规区间与稳健区间分开标注。

思考练习#

  1. 若常规区间为 [1,5][1,5],并允许处理后偏差 ∣δ∣≤2|\delta|\le2,教学用外扩区间是多少?若偏差允许为 4,结论发生什么变化?
  2. 处理前相邻趋势变化最大值估计为 0.2,但置信区间很宽。直接用 0.2 校准 MM 有何隐患?还可以用哪些预先说明的尺度做敏感性分析?
  3. 为什么在错时上线且处理效应异质时,先解决事件研究估计量和目标效应定义,再做趋势敏感性分析?

延伸阅读#

本篇把平行趋势从“成立/不成立”的二元判断改写成对偏差集合的敏感性问题:结论在什么程度的违背下仍成立?下一课沿着多期事件研究继续扩展,比较幅度、平滑度与更一般的约束如何改变动态效果的稳健区间。

平行趋势略有偏离,DiD 结论还能站得住吗?敏感性界限与 HonestDiD
https://zwjcode.cn/blog/parallel-trends-sensitivity-bounds-honestdid
作者 傑
发布于 2026年10月14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。