46_CS 估计量--基础组件估计

CS 估计量：基础组件估计

Callaway & Sant'Anna (2021) 提出了一种全新的渐进 DID 估计框架，通过"小组-时间"平均处理效应作为基础组件，避免了 TWFE 的负权重偏误。

---

一、CS 统计量的核心思想

论文摘要要点

Callaway & Sant'Anna (2021, Journal of Econometrics) 提出了：

1. 识别策略：在渐进 DID 设定下，即使存在非平行的结果动态，仍可识别因果效应参数
2. 估计方法：支持结果回归、逆概率加权、双重稳健估计
3. 聚合方案：多种聚合方式以展示异质性和汇总效应
4. 推断方法：便捷的 Bootstrap 程序用于同时推断

与 TWFE 的根本区别

TWFE	CS
一步回归估计单一系数	两步法：先估计基础组件，再聚合
混入"坏控制组"比较	仅使用有效对照（从未处理/尚未处理）
单一处理效应假设	允许完全异质的处理效应

---

二、核心概念：ATT(g, t)

定义

$ATT(g, t) = E[Y_t(1) - Y_t(0) \mid G_g = 1]$

其中：

• $g$：首次接受处理的时间（组别）
• $t$：结果观测时期
• $G_g = 1$：在时期 $g$ 首次接受处理的个体

直觉

$ATT(g, t)$ 衡量的是在 $g$ 时接受处理的群体在时期 $t$ 的平均处理效应。

例如：$ATT(2020, 2022)$ 表示 2020 年加入试点的城市在 2022 年的政策效果。

对照组的选取

CS 使用两类有效对照组：

1. 从未处理组：始终未接受处理的个体
2. 尚未处理组：在时期 $t$ 尚未接受处理的个体

关键：绝不使用"已处理组"作为对照组，从根本上避免了坏控制组问题。

---

三、估计思路

三步法

1. 估计 ATT(g, t)：对每个处理组 $g$ 和时期 $t$ 分别估计
2. 聚合效应：根据研究目的选择合适的聚合方式
   • 相同政策处理时长的组效应加总
   • 同一组不同时点的处理效应加总
   • 同一日历时间的累积效应
3. Bootstrap 推断：使用 Bootstrap 计算标准误和置信区间

估计方法

CS 提供四种估计方法：

方法	特点
逆概率加权 (IPW)	使用倾向得分加权
结果回归 (OR)	建立对照组的结果模型
双重稳健 (DR)	IPW + OR，任一模型正确即可
交互加权 (IW)	基于交互项的回归

---

四、CS 估计量的优势

理论优势

1. 无负权重：仅使用有效对照，避免了坏控制组
2. 完全异质：允许处理效应在组间和时点间完全异质
3. 灵活聚合：可根据研究目的选择不同的聚合方式
4. 双重稳健：DR 估计量在倾向得分或结果模型之一正确时一致

实践优势

1. 软件成熟：R 包 did 和 Stata 命令 csdid 已成熟
2. 诊断工具：提供平行趋势检验、异质性分析等
3. 可视化：动态效应图、组别效应图等

---

核心要点

1. CS 估计量通过 ATT(g, t) 作为基础组件，避免了 TWFE 的负权重偏误
2. 对照组仅使用从未处理组或尚未处理组
3. 估计分两步：基础组件估计 → 聚合
4. 支持四种估计方法，推荐双重稳健方法