Skills Data Science Causal Identification Strategy for Economics

Causal Identification Strategy for Economics

v20260724
ceq-identification
A comprehensive guide to establishing credible causal identification strategies for economic empirical research. It covers advanced quasi-experimental methods such as Difference-in-Differences (DID), Instrumental Variables (IV), and Regression Discontinuity (RDD), alongside structural modeling. The core principle emphasizes the necessity of explicitly stating, empirically defending, and testing all identification assumptions to meet the rigorous standards of top-tier academic economics journals.
Get Skill
465 downloads
Overview

识别策略(ceq-identification)

触发时机

  • 实证主体仅 OLS + 控制变量,把相关性当因果
  • 有处理/外生变异,但识别假设没写清、没逐条辩护
  • 拿不准走结构估计还是准实验路线

CEQ 的铁律:要么结构,要么准实验

CEQ 不接受"加一堆控制变量就声称因果"。两条合法路径:

  • 结构估计:微观基础清晰、识别假设显式、参数有经济含义、能做反事实。
  • 准实验:DID / IV / RDD / event-study,外生变异来源可信、识别假设可检验。

识别假设必须显式写出,并逐条给经验支持——这是 CEQ 与多数国内刊的最大差异。

设计优先级(强 → 弱)

  1. 政策冲击 + DID(含交错/连续处理,须过 ceq-modern-did
  2. 断点回归(清晰政策门槛)
  3. 工具变量(强工具 + 排他性论证)
  4. 倾向得分匹配 + DID
  5. 合成控制法
  6. 双重机器学习 / 因果森林
  7. OLS + 严密内生性讨论(仅在结构/理论实证文章中可接受)

分支自检

DID(→ 详见 ceq-modern-did)

  • 交错处理已用 Callaway–Sant'Anna / de Chaisemartin–D'Haultfœuille / Sun–Abraham
  • 平行趋势:事件研究图必画(见 ceq-figures
  • 安慰剂(随机处理时点/对象)已做

IV

  • 第一阶段 F 报告,弱工具走 weak-IV-robust(见 ceq-inference
  • 排他性论证 ≥ 3 段(理论/制度/安慰剂)
  • 报告了 reduced form;工具本身外生性有论证

RDD

  • McCrary / 密度操纵检验
  • 最优带宽(CCT)+ ≥3 个带宽稳健性
  • 协变量在断点处平滑

结构估计

  • 识别假设逐条列出并辩护
  • 参数有经济含义、估计稳定
  • 提供反事实 / 福利分析

通用必查

  • 识别假设显式成文,每条配经验支持
  • 标准误聚类层级有理由(见 ceq-inference
  • 回应"被处理者预期/提前反应"问题
  • 安慰剂/平行趋势/敏感性是标配而非加分

执行桥(StatsPAI / Stata MCP)

把设计跑出来并审计,而不是只做描述。完整映射见 execution-with-mcp。《经济学(季刊)》是中文经济学旗舰,实证以因果识别为核心——交错 DID、IV、RDD 与机制检验。

  • detect_designrecommend → 用 as_handle=true 拟合 → audit_result 列出尚欠的检查。
  • **观察性因果:**交错 DID(callaway_santanna / sun_abraham + bacon_decomposition + honest_did_from_result);IV(effective_f_test + anderson_rubin_ci);RDD(rdrobust + mccrary_test)。
  • **实验:**随机化推断 + romano_wolf 做多结果族错误率控制。
  • 敏感性:oster_delta / sensemakr

正文报告经济量级,完整 battery 进附录;每个数字都能复现。端到端真跑示例见 JF 执行 walkthrough。若 StatsPAI/Stata 未连接,改用 resources/code/ 并标注未验证数字。

反模式

  • "我们认为该政策外生"却无任何证据
  • TWFE + 交错处理不讨论异质性偏误
  • IV 用"外生事件 × 上一期内生变量",说不清为何上一期不影响当期
  • RDD 用截断带宽但不汇报带宽敏感性
  • 把稳健性当摆设,不汇报不利结果

CEQ 识别审稿的退稿触发表

下表把本刊审稿人最常据以退稿的识别缺陷,映射到"显式辩护应写什么"。CEQ 与多数国内刊的分水岭是:识别假设必须成文且逐条配经验支持。具体尺度因稿件而异,以编辑部最新稿约与外审为准。

识别缺陷 审稿人退稿理由 应写入的显式辩护
OLS+控制称因果 遗漏变量/反向因果未排除 改用准实验或结构,写明外生来源
"政策外生"无证据 选择性试点未排除 用分批/门槛规则证明排序外生
IV 排他性靠一句话 工具可能直接影响 Y ≥3 段(理论/制度/安慰剂)论证
RDD 不报带宽敏感 结论靠特定带宽 CCT 最优带宽 + ≥3 带宽稳健
安慰剂/平行趋势缺位 把标配当加分 补齐并汇报,含不利结果

微型走查:把"政策外生"落到可辩护设计

虚构稿件《税收征管数字化与企业避税》。初稿写"金税三期上线是外生冲击",但未辩护。按设计优先级与分支自检走一遍(示意):

初稿主张:金税三期上线 → 企业避税 ↓(OLS+年份FE,β=-0.05**)
诊断:上线时点全国分批 → 有交错外生变异,但作者当成单一冲击
显式识别假设(逐条写出 + 经验支持):
  H1 分批时点不由企业避税水平决定
      支持:上线顺序按省级税务系统就绪度,与企业避税无系统相关(平衡检验)
  H2 无预期性提前调整
      支持:事件研究前置系数 t=-3..-1 ∈ [-0.01,0.01] 跨 0
  H3 同期无其他征管改革混淆
      支持:控制"营改增"时点后系数稳定(0.05→0.047)
现代 DID:用 Callaway–Sant'Anna,ATT≈-0.043,与 OLS 同号但更可信
安慰剂:随机打乱上线时点 500 次,真实估计落在分布尾部(p<0.02)

走查要点:从"声称外生"到"三条假设各配一项经验证据",识别才在 CEQ 站得住。注意 H1–H3 都成文并可检验——这是本 skill 的硬要求。下一步过 ceq-modern-did 处理交错异质性。

审稿人追问模式与本刊语境修法

  • "你凭什么说政策外生?"——修法:把分批/门槛规则讲透,用平衡检验证明排序与结果变量无关,而非断言。
  • "工具变量的排他性怎么保证?"——修法:给理论、制度、安慰剂三类论证,并报 reduced form。
  • "稳健性只报了对你有利的?"——修法:汇报不利或边缘的稳健性结果,诚实优于粉饰(接 ceq-rebuttal 的回应纪律)。

输出格式

【识别策略】结构 / DID / IV / RDD / DML / 仅相关(需补)
【识别假设是否显式】是 / 否 <补>
【已完成检验】[平行趋势, 安慰剂, 弱工具, 密度, ...]
【缺失检验】[...]
【下一步】ceq-modern-did(若 DID)/ ceq-inference / ceq-mechanism
Info
Category Data Science
Name ceq-identification
Version v20260724
Size 6.72KB
Updated At 2026-07-28
Language