因果识别策略（er-identification）

配套代码：resources/code/stata/03_did_modern.do（DID）、04_iv.do（IV）、05_rdd.do（RDD）、06_dml.do（DML）。

触发时机

• 实证主体仅有 OLS + 控制变量
• DID 用了 TWFE 但没回应近年异质性处理效应批评
• IV 第一阶段弱 / 工具变量内生性疑虑
• 准备用双重机器学习但不确定怎么报告

设计优先级

《经济研究》编委的偏好排序（强 → 弱）：

1. 政策冲击 + DID（含 staggered / continuous treatment）
2. 断点回归（清晰的政策门槛）
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（在结构估计 / 理论实证文章中可接受）

该刊明确反对"唯定量倾向"：识别策略再漂亮，也要回到理论与中国制度问题。识别是手段，不是卖点。

分支 A：交叠（多时点）DID —— ★ 最常见也最易被挑

交叠 DID 不能只报 TWFE。标准流程四步：

1. TWFE 基准——读者熟悉的起点（但交叠下可能有偏）。
2. Goodman-Bacon (2021) 分解（bacondecomp）——展示"坏比较 / 负权重"问题。
3. 异质性稳健估计量做主结果（下表任选其一为主，其余作稳健性）：

* Callaway-Sant'Anna：gvar = 首次受处理年份，从不处理者 = 0
csdid Y X, ivar(id) time(year) gvar(gvar) method(dripw)
estat simple        // 总体 ATT
estat event         // 动态效应

4. 事件研究图检验平行趋势与动态效应（处理前一期为基准、95% CI、处理时点垂直虚线）。
5. 安慰剂：随机指派处理时点/对象 500–1000 次，看真实系数是否落在分布尾部（见 er-robustness）。

避坑：平行趋势"只看图不检验"；预期效应/提前反应；用 TWFE 事件研究当交叠下的动态主结果（也可能有偏，主结果用 CS / SA）。

分支 B：IV —— 报告现代弱工具诊断

不要只报"F>10"。标准报告四要素：

1. 第一阶段 Kleibergen-Paap rk Wald F（异方差/聚类下有效，取代 Cragg-Donald F）。
2. 对照 Stock-Yogo (2005) 临界值。
3. 有效 F（Montiel Olea & Pflueger 2013，weakivtest），单内生变量更稳妥。
4. 弱工具稳健推断：Anderson-Rubin 检验与置信区间（weakiv）；恰好识别时 AR 对弱工具完全稳健。

ivreg2 Y X (D = Z1 Z2), robust first   // 自动报告 KP rk F、Hansen J
weakivtest                              // 有效 F
weakiv ivreg2 Y X (D = Z1 Z2), robust   // AR / CLR / K 稳健区间

排他性论证至少三段：理论 / 制度 / 安慰剂；并报告 reduced form。 范文对标（确属《经济研究》）：王永钦、董雯《机器人的兴起如何影响中国劳动力市场？》（2020 年第 10 期）——以美国行业机器人渗透趋势构造 Bartik / shift-share 工具变量，论证外生性与排他性。

分支 C：RDD

rdplot     Y X, c(0) p(1) kernel(triangular)
rdrobust   Y X, c(0) p(1) kernel(triangular) bwselect(mserd)  // 报告 Robust 行
rddensity  X, c(0)                                             // CJM 操纵检验

• 主估计报告 稳健偏差校正 CI（Calonico-Cattaneo-Titiunik 2014 的核心贡献），不要只报常规 CI。
• 操纵检验用 rddensity（Cattaneo-Jansson-Ma，已取代 McCrary 2008）。
• 稳健性：协变量连续性、≥3 个带宽、donut RD、安慰剂断点。
• 范文对标（确属《经济研究》）：刘生龙、周绍杰、胡鞍钢《义务教育法与中国城镇教育回报：基于断点回归设计》（2016 年第 2 期）。

分支 D：DML 双重机器学习

报告：模型类型（偏线性 PLR / 交互式）、交叉拟合折数 K（5 或 10）、干扰函数学习器（lasso / 随机森林 / 梯度提升）+ 学习器稳健性对比、Neyman 正交得分标准误（Chernozhukov et al. 2018）。Stata ddml+pystacked；Python DoubleML。

分支 E：结构估计 / 理论实证

微观基础是否清晰？识别假设是否明确列出？参数估计是否提供反事实分析？

标准误

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。《经济研究》是中文经济学顶刊，识别可信度通常是约束；交错 DID、弱工具稳健 IV、RDD 与机制检验。

• detect_design → recommend → 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。

必查清单

• 交叠 DID：Bacon 分解 + 至少一种异质性稳健估计量 + 事件研究图
• 平行趋势 / 平滑性 / 弱工具 检验都做了（不是只看图）
• 安慰剂检验（处理时点随机 / 处理对象随机）
• IV：KP rk F + 有效 F + AR 稳健区间 + reduced form + 排他性三段论证
• RDD：报告 Robust 行 CI + rddensity 操纵检验 + 多带宽
• 标准误聚类层次合理；少聚类时 wild bootstrap
• 回应了"被处理者预期 / 提前反应"问题

反模式

• TWFE + staggered 但不讨论异质性处理偏误
• IV 用"外生事件 × 上一期内生变量"——审稿人会问"为何上一期不影响当期"
• "我们认为该政策外生于公司决策"但没给证据
• RDD 用了截断带宽但不汇报带宽敏感性
• 把识别策略当卖点，脱离理论与中国制度问题

输出格式

【识别策略】交叠DID / IV / RDD / DML / 结构估计 / 其他
【交叠DID 主估计量】TWFE only（需升级）/ CS / SA / BJS / dCDH
【已完成检验】[Bacon分解, 平行趋势, 安慰剂, KP F, 有效F, AR, rddensity, ...]
【缺失检验】[...]
【聚类层次】...
【下一步】er-mechanism