47_CS 估计量--合成方法与案例

CS 估计量：合成方法与案例

在估计出 ATT(g, t) 基础组件后，CS 框架提供了灵活的合成（聚合）方法，用于回答不同类型的研究问题。

一、动态效应合成

研究问题

政策效果如何随着处理时间的推移而变化？

CS 合成公式

$\theta_{\text{dynamic}}(e) = \sum_{g} \omega_g(e) \cdot ATT(g, g + e)$

其中 $e$ 是滞后期数，$\omega_g(e)$ 是在滞后 $e$ 期时组 $g$ 的样本比例权重。

示例

平衡面板 vs. 非平衡面板

问题：不同滞后期的样本组可能不同

• 滞后 1 期：几乎所有组都有数据
• 滞后 10 期：只有早期处理组有数据

平衡版解决方案：

$\theta_{\text{balanced}}(e) = \frac{1}{|\mathcal{G}_{e'}|} \sum_{g \in \mathcal{G}_{e'}} ATT(g, g + e)$

限定所有样本至少能观察 $e'$ 期，保证样本结构不变。

二、组别效应合成

研究问题

不同处理组之间的政策效果有何差异？早处理组是否比晚处理组更有优势？

公式

$\theta_{\text{group}}(g) = \frac{1}{|\mathcal{T}_g|} \sum_{t \in \mathcal{T}_g} ATT(g, t)$

其中 $\mathcal{T}_g$ 是组 $g$ 所有处理后的时期集合。

案例：跨境电商综试区

三、日历时间效应合成

研究问题

在特定日历时期 $t$，政策的总体效果是多少？

公式

$\theta_{\text{calendar}}(t) = \sum_{g \leq t} \omega_g(t) \cdot ATT(g, t)$

应用场景

• 研究政策效果在经济周期中的变化
• 比较不同时期政策的有效性

四、Stata 实现

// CS 估计量
csdid y, ivar(id) time(year) gvar(first_treat) method(drdid)
 
// 动态效应图
estat event, window(-5 10)
 
// 组别效应
estat group
 
// 日历时间效应
estat calendar

核心要点

1. CS 框架提供三种聚合方式：动态效应、组别效应、日历时间效应
2. 动态效应需要注意样本结构变化问题，建议使用平衡面板版本
3. 组别效应适合比较不同批次政策的效果差异
4. 日历时间效应适合研究政策效果随宏观环境的变化