brycewang-stanford 因果识别策略（er-identification）
配套代码：resources/code/stata/03_did_modern.do（DID）、04_iv.do（IV）、05_rdd.do（RDD）、06_dml.do（DML）。
触发时机
- 实证主体仅有 OLS + 控制变量
- DID 用了 TWFE 但没回应近年异质性处理效应批评
- IV 第一阶段弱 / 工具变量内生性疑虑
- 准备用双重机器学习但不确定怎么报告
设计优先级
《经济研究》编委的偏好排序（强 → 弱）：
- 政策冲击 + DID（含 staggered / continuous treatment）
- 断点回归（清晰的政策门槛）
- 工具变量（强工具 + 排他性论证）
- 倾向得分匹配 + DID
- 合成控制法
- 双重机器学习 / 因果森林
- OLS + 严密内生性讨论（在结构估计 / 理论实证文章中可接受）
该刊明确反对"唯定量倾向"：识别策略再漂亮，也要回到理论与中国制度问题。识别是手段，不是卖点。
分支 A：交叠（多时点）DID —— ★ 最常见也最易被挑
交叠 DID 不能只报 TWFE。标准流程四步：
- TWFE 基准——读者熟悉的起点（但交叠下可能有偏）。
- Goodman-Bacon (2021) 分解（
bacondecomp）——展示"坏比较 / 负权重"问题。 - 异质性稳健估计量做主结果（下表任选其一为主，其余作稳健性）：
| 估计量 | 论文 | Stata | R |
|---|---|---|---|
| group-time ATT | Callaway & Sant'Anna (2021) | csdid |
did::att_gt |
| 交互加权 IW | Sun & Abraham (2021) | eventstudyinteract |
fixest::sunab |
| 插补（最有效率） | Borusyak, Jaravel & Spiess (2024) | did_imputation |
didimputation |
| 两阶段 | Gardner (2022) | did2s |
did2s |
| 非二值/可逆处理 | de Chaisemartin & D'Haultfœuille (2020/24) | did_multiplegt_dyn |
DIDmultiplegtDYN |
* Callaway-Sant'Anna：gvar = 首次受处理年份，从不处理者 = 0
csdid Y X, ivar(id) time(year) gvar(gvar) method(dripw)
estat simple // 总体 ATT
estat event // 动态效应
- 事件研究图检验平行趋势与动态效应（处理前一期为基准、95% CI、处理时点垂直虚线）。
- 安慰剂：随机指派处理时点/对象 500–1000 次，看真实系数是否落在分布尾部（见
er-robustness）。
避坑：平行趋势"只看图不检验"；预期效应/提前反应；用 TWFE 事件研究当交叠下的动态主结果（也可能有偏，主结果用 CS / SA）。
分支 B：IV —— 报告现代弱工具诊断
不要只报"F>10"。标准报告四要素：
- 第一阶段 Kleibergen-Paap rk Wald F（异方差/聚类下有效，取代 Cragg-Donald F）。
- 对照 Stock-Yogo (2005) 临界值。
- 有效 F（Montiel Olea & Pflueger 2013，
weakivtest），单内生变量更稳妥。 - 弱工具稳健推断：Anderson-Rubin 检验与置信区间（
weakiv）；恰好识别时 AR 对弱工具完全稳健。
ivreg2 Y X (D = Z1 Z2), robust first // 自动报告 KP rk F、Hansen J
weakivtest // 有效 F
weakiv ivreg2 Y X (D = Z1 Z2), robust // AR / CLR / K 稳健区间
排他性论证至少三段：理论 / 制度 / 安慰剂；并报告 reduced form。 范文对标（确属《经济研究》）：王永钦、董雯《机器人的兴起如何影响中国劳动力市场？》（2020 年第 10 期）——以美国行业机器人渗透趋势构造 Bartik / shift-share 工具变量，论证外生性与排他性。
分支 C：RDD
rdplot Y X, c(0) p(1) kernel(triangular)
rdrobust Y X, c(0) p(1) kernel(triangular) bwselect(mserd) // 报告 Robust 行
rddensity X, c(0) // CJM 操纵检验
- 主估计报告 稳健偏差校正 CI（Calonico-Cattaneo-Titiunik 2014 的核心贡献），不要只报常规 CI。
- 操纵检验用
rddensity（Cattaneo-Jansson-Ma，已取代 McCrary 2008）。 - 稳健性：协变量连续性、≥3 个带宽、donut RD、安慰剂断点。
- 范文对标（确属《经济研究》）：刘生龙、周绍杰、胡鞍钢《义务教育法与中国城镇教育回报：基于断点回归设计》（2016 年第 2 期）。
分支 D：DML 双重机器学习
报告：模型类型（偏线性 PLR / 交互式）、交叉拟合折数 K（5 或 10）、干扰函数学习器（lasso / 随机森林 / 梯度提升）+ 学习器稳健性对比、Neyman 正交得分标准误（Chernozhukov et al. 2018）。Stata ddml+pystacked；Python DoubleML。
分支 E：结构估计 / 理论实证
微观基础是否清晰？识别假设是否明确列出？参数估计是否提供反事实分析？
标准误
| 场景 | 做法 | 命令 |
|---|---|---|
| 组内相关 | 聚类稳健 | reghdfe ..., vce(cluster id) |
| 两维相关 | 双向聚类 | vce(cluster firm year) |
| 聚类数过少（<~40） | wild cluster bootstrap | boottest（见 er-robustness） |
| 空间相关 | Conley 空间 HAC | acreg |
执行桥（StatsPAI / Stata MCP）
把设计跑出来并审计，而不是只做描述。完整映射见
execution-with-mcp。《经济研究》是中文经济学顶刊，识别可信度通常是约束；交错 DID、弱工具稳健 IV、RDD 与机制检验。
detect_design→recommend→ 用as_handle=true拟合 →audit_result列出尚欠的检查。- **观察性因果：**交错 DID（
callaway_santanna/sun_abraham+bacon_decomposition+honest_did_from_result）；IV（effective_f_test+anderson_rubin_ci）；RDD（rdrobust+mccrary_test）。 - **实验：**随机化推断 +
romano_wolf做多结果族错误率控制。 - 敏感性：
oster_delta/sensemakr。
正文报告经济量级，完整 battery 进附录；每个数字都能复现。端到端真跑示例见
JF 执行 walkthrough。若 StatsPAI/Stata 未连接，改用 resources/code/ 并标注未验证数字。
必查清单
- 交叠 DID：Bacon 分解 + 至少一种异质性稳健估计量 + 事件研究图
- 平行趋势 / 平滑性 / 弱工具 检验都做了（不是只看图）
- 安慰剂检验（处理时点随机 / 处理对象随机）
- IV：KP rk F + 有效 F + AR 稳健区间 + reduced form + 排他性三段论证
- RDD：报告 Robust 行 CI + rddensity 操纵检验 + 多带宽
- 标准误聚类层次合理；少聚类时 wild bootstrap
- 回应了"被处理者预期 / 提前反应"问题
反模式
- TWFE + staggered 但不讨论异质性处理偏误
- IV 用"外生事件 × 上一期内生变量"——审稿人会问"为何上一期不影响当期"
- "我们认为该政策外生于公司决策"但没给证据
- RDD 用了截断带宽但不汇报带宽敏感性
- 把识别策略当卖点，脱离理论与中国制度问题
输出格式
【识别策略】交叠DID / IV / RDD / DML / 结构估计 / 其他
【交叠DID 主估计量】TWFE only（需升级）/ CS / SA / BJS / dCDH
【已完成检验】[Bacon分解, 平行趋势, 安慰剂, KP F, 有效F, AR, rddensity, ...]
【缺失检验】[...]
【聚类层次】...
【下一步】er-mechanism