14_安慰剂检验

安慰剂检验：验证因果识别的可信度

安慰剂检验（Placebo Test）是 DID 实证研究中最重要的稳健性检验之一。其核心思想是：如果在"不应该有效果"的场景下检验出了"效果"，说明原结果可能不可信。

一、为什么需要安慰剂检验？

即使 DID 估计结果显著且符号符合预期，仍可能存在以下问题：

• 平行趋势假设不成立，结果由预处理趋势驱动
• 遗漏了与处理同时发生的其他政策或冲击
• 结果变量本身存在与处理无关的时间趋势

安慰剂检验通过构造"反事实"场景，验证结果是否真的由处理引起。

二、三类安慰剂检验

1. 伪处理时间（Fake Treatment Timing）

将处理时间人为提前若干期（如 2 年或 3 年），然后用同样的 DID 方法估计"处理效应"。

预期结果：如果 DID 识别可信，伪处理时间的估计效应应不显著。

// 将处理时间提前 2 年
gen placebo_treat = (year >= treat_year - 2) & treat == 1
reghdfe y placebo_treat, absorb(id year) cluster(id)

2. 伪处理组（Fake Treatment Group）

选择一个理论上不应受政策影响的群体，将其设定为"伪处理组"进行 DID 估计。

预期结果：伪处理组的估计效应应不显著。

例如：某政策只影响制造业企业，可以选择服务业企业作为伪处理组。

3. 伪结果变量（Fake Outcome Variable）

选择一个理论上不应受政策影响的变量作为"伪结果"进行 DID 估计。

预期结果：伪结果变量的估计效应应不显著。

例如：最低工资政策不应影响企业的研发投入，可以用研发支出作为伪结果。

三、解释安慰剂检验结果

通过检验

安慰剂检验结果不显著（p > 0.1），说明：

• 原结果不太可能由预处理趋势驱动
• 增强了因果识别的可信度

未通过检验

安慰剂检验结果显著，需要进一步排查：

• 平行趋势假设是否成立？
• 是否存在遗漏的混淆因素？
• 是否需要更换控制组或调整时间窗口？

注意：安慰剂检验未通过不等于结果一定错误，但需要更谨慎地解释和更多的稳健性检验。

四、安慰剂检验的局限性

1. 统计功效问题：安慰剂检验的样本量通常较小，统计功效较低
2. 多重检验问题：进行多次安慰剂检验时，至少有一次显著的概率会增加
3. 不是平行趋势的直接证据：安慰剂检验只能提供间接证据

核心要点

1. 安慰剂检验是 DID 实证研究的标准配置
2. 三类检验各有侧重，建议同时使用
3. 结果解释需结合具体情境，避免机械套用
4. 安慰剂检验通过 ≠ 因果识别一定正确，只是增强了可信度