73_群聚DID

群聚 DID

群聚 DID（Bunching DID）将群聚分析与双重差分法结合，利用政策变化前后的群聚行为差异来识别因果效应。

---

一、研究动机

传统群聚的局限

• 仅能识别横截面的行为反应
• 无法排除时间趋势的混淆
• 缺乏有效的反事实对照

DID 的优势

• 通过差分排除时间趋势
• 提供有效的因果识别框架

结合思路

将群聚作为结果变量，在政策变化前后运行 DID。

---

二、群聚 DID 的设定

基本模型

$\text{Bunching}_{it} = \alpha_i + \lambda_t + \tau \cdot \text{Treat}_i \times \text{Post}_t + \varepsilon_{it}$

其中 $\text{Bunching}_{it}$ 是在时期 $t$ 个体 $i$ 在阈值附近的群聚程度。

识别策略

• 处理组：受政策变化影响的群体
• 控制组：不受政策变化影响的群体
• 比较两组在政策变化前后的群聚行为差异

---

三、应用场景

1. 税收政策变化

• 处理组：税率变化的收入区间
• 控制组：税率不变的收入区间
• 结果：收入分布的群聚变化

2. 环境规制

• 处理组：规制标准提高的企业
• 控制组：规制标准不变的企业
• 结果：排放量分布的群聚变化

3. 教育政策

• 处理组：考试及格线变化的学校
• 控制组：及格线不变的学校
• 结果：考试成绩分布的群聚变化

---

四、估计步骤

1. 估计群聚程度

对每个时期和群体，估计阈值处的群聚程度：

$b_{gt} = \frac{\text{实际密度}(z^*) - \text{反事实密度}(z^*)}{\text{反事实密度}(z^*)}$

2. 运行 DID

以 $b_{gt}$ 为结果变量，运行标准 DID。

3. 推断

• 使用 Bootstrap 估计标准误
• 考虑群聚估计的不确定性

---

五、注意事项

1. 反事实密度的估计

• 需要选择合适的多项式阶数
• 需要排除阈值附近的观测

2. 平行趋势

• 处理组和控制组的群聚趋势在政策前应相似
• 需要进行平行趋势检验

3. 外部有效性

• 群聚 DID 识别的是局部处理效应
• 结果可能不适用于其他阈值或政策

---

核心要点

1. 群聚 DID 将群聚程度作为结果变量运行 DID
2. 通过差分排除时间趋势的混淆
3. 适用于税收、环境规制、教育政策等场景
4. 需要注意反事实密度估计和平行趋势检验