川海智库

报告概述

本报告使用安慰剂事件研究评估13种差异中差异（DID）估计方法的实证表现。研究对象为美国州级面板数据中的单一单位事件研究，覆盖失业率、劳动参与率、就业增长率等五个经济指标。报告将方法分为三类：TWFE类、匹配类和合成控制类，通过超过134,000次安慰剂事件估计各方法效率。主要分析框架基于均方误差（MSE）比较，并探讨归一化、季节性调整、协变量选择等条件因素对精度的影响。报告的独特价值在于提供真实数据下的方法对比，帮助研究者根据具体研究情境选择合适方法。

报告的核心结论

没有单一方法在所有情境中表现最优。

在不同经济指标（如失业率、劳动参与率、房价指数）下，方法排名存在显著差异。合成控制类方法有时比双重固定效应（TWFE）更高效，有时则更差，例如矩阵完成对失业率MSE降低29%，但对就业增长率却恶化27%。匹配类方法表现居中，而TWFE类方法在单事件研究中表现一致。因此，方法选择应基于具体研究背景。

归一化与季节性调整显著提升估计精度。

将估计值归一化至处理前最后一期可大幅降低安慰剂估计方差，例如合成控制法的MSE下降69%。使用季节性调整数据比未调整数据平均降低MSE约23%。这两种操作带来的改进幅度通常超过不同方法之间的差异，属于研究者可控且高效的选择。

研究情境（如处理州特征）对精度影响巨大。

人口众多、多元化的州（如宾夕法尼亚、德克萨斯）的安慰剂估计方差远低于特异州（如内华达、阿拉斯加），内华达的归一化MSE是宾夕法尼亚的26倍以上。这种州际差异在所有估计方法中普遍存在，表明研究者需谨慎对待自身事件所在单位的特殊性。

协变量选择对精度影响有限。

对于允许时不变协变量的方法（如倾向得分匹配、合成控制等），选用不同协变量（如年龄、收入、黑人比例等）后，MSE变化大多在±10%以内。但粗化精确匹配（CEM）因分箱导致样本减少，对协变量选择较为敏感。总体而言，归一化与季节性调整比协变量选择更重要。

建议研究者开展自身安慰剂检验。

鉴于方法性能高度依赖具体数据与研究情境，报告强调实践者应在自己的数据背景下进行安慰剂试验，以评估不同估计量的实际表现。这比仅依赖理论或蒙特卡洛模拟更能反映真实场景中的效率差异。

报告回答的关键问题

哪种差异中差异方法最有效？

报告通过安慰剂检验发现，没有一种方法在所有情况下都最有效。合成控制类方法（如矩阵完成、合成控制）在某些指标（如失业率）上优于TWFE，在另一些指标（如QCEW就业增长率）上则更差。匹配方法表现居中，而TWFE类方法在单事件研究中与TWFE性能相同。因此，有效方法取决于研究情境，建议在具体数据中测试多种方法。

如何提高事件研究估计的精度？

报告指出两项关键操作：一是将估计值归一化至处理前最后一期，这可使MSE下降高达69%；二是对时间序列数据进行季节性调整，平均降低MSE约23%。这两种手段比选择不同估计方法或协变量更有效，且实现简单。

安慰剂检验如何帮助选择估计方法？

安慰剂检验通过随机抽取“假事件”并估计效应，揭示估计量在零假设下的方差分布。较低方差代表更高效率。这种方法使用真实数据，避免了蒙特卡洛模拟对数据生成过程的假设限制。报告利用13种方法、5个结果变量和50个州进行了超过134,000次安慰剂检验，从而实现了方法间的可比评估。

合成控制方法在什么情况下表现更好？

合成控制类方法利用处理前数据构建反事实，这有助于捕捉控制单元间的异质动态，从而在某些情境下提升效率，例如对失业率，矩阵完成比TWFE效率高29%；但当处理前数据存在过度拟合风险时，性能可能急剧下降，例如广义合成控制在就业增长率中MSE是TWFE的106倍。因此，表现好坏取决于数据特征。

报告中的代表性数据

1.556

TWFE基线均方误差（失业率）

1990–2024，基于50州和DC的月面板数据，安慰剂事件估计的双重固定效应（TWFE）均方误差，反映该方法的基准方差水平。

-29%

矩阵完成与TWFE的MSE百分比差（失业率）

1990–2024，矩阵完成方法在失业率上的MSE比TWFE低29%，表明效率提升显著；同期对于就业增长率（LAUS SA）则高出27%，体现情境依赖性。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整的13种差异中差异方法的定义与实现细节，包括TWFE、Callaway & Sant'Anna、Imputation、Wooldridge DID、de Chaisemartin & D'Haultfœuille、Local Projections、Propensity Score Matching、Coarsened Exact Matching、Synthetic Control、Elastic Net Synthetic Control、Generalized Synthetic Control、Matrix Completion和Synthetic Difference-in-Differences。
  • 详细的实证框架说明：包括安慰剂事件抽取方法（随机选取50州+DC×31年月的组合）、数据来源（CPS、LAUS、QCEW、FHFA的州级月度数据）以及五类经济结果变量的处理方式。
  • 基于134,000+次安慰剂事件估计的均方误差（MSE）完整表格，按方法-结果分类展示，并附有相对TWFE的百分比差异，以及相应的可视化图表（如箱线图）。
  • 归一化、季节性调整对性能影响的定量分析：包括合成控制法未归一化与归一化的分布对比图，以及12种方法在季节调整前后的MSE柱状图。
  • 协变量敏感性分析：详细展示8种1990年州级特征（年龄、收入、种族比例等）作为控制变量时，对6种适用方法的MSE影响结果。
  • 研究情境重要性分析：通过州级归一化MSE地图（图4）展示各州作为处理单位时的效率差异，并比较倾向得分匹配、合成控制等四种方法对控制州权重的偏好（图5）。
  • 第7节的实践建议汇总：建议归一化、季节性调整，以及鼓励研究者在自己的数据中进行安慰剂检验以选择方法。
  • 完整的参考文献列表，涵盖Abadie et al. (2010)至Xu (2017)等34篇相关计量经济学文献。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告