因果识别策略（mw-identification）

触发时机

• 实证主体仅有 OLS + 控制变量，担心被退稿
• DID 用了 TWFE 但没回应近年异质性处理批评（Goodman-Bacon, de Chaisemartin, Sun-Abraham, Callaway-Sant'Anna）
• IV 第一阶段 F 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

《管理世界》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 + 内生性讨论（容易退稿）

分支路径

分支 A：DID

• 是否 staggered？→ 必须用 Goodman-Bacon 分解 + Callaway-Sant'Anna 或 Sun-Abraham
• 平行趋势检验：事件研究图必须画
• 安慰剂：随机分配处理组 500–1000 次
• 是否汇报 Bacon 分解的"坏比较"权重？

分支 B：IV

• 第一阶段 F 必须 ≥ 10（弱工具 → 用 Anderson-Rubin 或 weak-IV-robust CI）
• 排他性论证至少需要 3 段：理论 / 制度 / 安慰剂
• 是否报告了 reduced form？

分支 C：RDD

• 是否做了 McCrary 检验？
• 带宽：是否使用最优带宽（Calonico-Cattaneo-Titiunik）+ 至少 3 个带宽稳健性？
• 协变量平滑性检验

分支 D：DML

• 报告 sample-split 数 + cross-fitting
• 报告 nuisance 函数选择（lasso / random forest / xgboost）
• 至少给出 5 种不同 ML 学习器的稳健性

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。《管理世界》重中国情境实证 + 政策可操作；识别 + 经济量级，定性/案例另循其标准。

• 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

• 平行趋势 / 平滑性 / 弱工具 检验都做了
• 安慰剂检验做了（处理时点随机 / 处理对象随机）
• 主回归的标准误聚类层次合理（个体 / 个体+时间 / 处理层级）
• 是否有"两阶段"识别（先确认外生性，再估处理效应）
• 是否回应了"被处理者预期"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

本刊识别策略决策表

《管理世界》由国务院发展研究中心主办，是管理学与经济学并重的 CSSCI 权威顶级综合期刊，识别策略的审稿期待显著区别于纯方法论期刊：编委更看重"政策冲击是否真实服务国家重大战略、识别逻辑是否能讲成一个中国制度故事"，而非工具的新颖度。下表锚定本刊语境下的审稿决策（不确定的格式细节以编辑部最新稿约为准）：

常见退稿模式（识别维度）

• "政策外生性"只有断言没有制度证据——本刊编委会要求把试点遴选机制写进制度背景章节
• staggered DID 全程 TWFE，对 2021 年以来的异质性处理偏误文献只字不提
• 工具变量"看上去外生"，但与企业全要素生产率存在共同的宏观驱动，排他性论证缺位
• 用海外数据论证中国问题，识别再干净也难过"国家战略相关性"这一关

微型走查示例：数字化转型与企业全要素生产率

虚构一篇稿件，按本 skill 的决策规则走一遍（以下数字均为示意，仅示范判断流程）：

• 设定：以 2018 年某省"企业上云"补贴试点为冲击，考察数字化转型对企业全要素生产率（TFP_LP）的影响，样本为 A 股制造业上市公司 2012—2022 年面板，N≈18,600（示意）。
• 走查分支 A（DID）：试点分批推开 → 判定为 staggered → 触发规则"必须 Goodman-Bacon 分解 + Callaway-Sant'Anna"。示意结果：Bacon 分解显示"坏比较"权重 11%（示意），改用 CS 估计量后动态效应系数 0.032（示意），与 TWFE 的 0.041 接近但更稳。
• 平行趋势：事件研究图 -5 至 -1 期系数均不显著（示意），处理后第 2 期起显著为正。
• 安慰剂：随机抽取处理时点重复 1000 次，真实估计落在分布右尾 1% 外（示意）。
• 本刊语境校验：补贴试点对应"数字中国"国家战略 → 通过战略相关性关；TFP 提升对应"高质量发展" → 政策含义落点清晰。
• 判定：识别策略可进入下一阶段（mw-mechanism-heterogeneity），但需在制度背景章节补齐试点遴选的外生性证据。

审稿人追问模式 + 本刊语境修法

• 追问"试点地区是否本就数字化基础更好？" → 本刊修法：在制度背景中引用试点遴选文件，证明遴选依据与企业 TFP 无关，并补企业层面 pre-trend 平衡表。
• 追问"补贴可能同时改变了融资约束，机制不纯？" → 修法：把融资约束作为竞争性机制显式纳入 mw-mechanism-heterogeneity，而非回避。
• 追问"为什么不用更前沿的 DML？" → 本刊语境下，编委更认可"识别逻辑清晰可复述"，DML 可作稳健性而非主结果，避免为方法而方法。

校准锚点

本刊已刊实证论文的识别形态多为"国家级政策冲击 + staggered DID + 异质性处理偏误诊断 + 安慰剂 + 多重稳健性"，且识别章节与制度背景章节强耦合。新方法（DML、合成 DID）通常出现在稳健性部分而非主结果。具体年度格式与方法偏好以编辑部最新稿约为准。

输出格式

【识别策略】DID / IV / RDD / DML / 其他
【已完成检验】[平行趋势, 安慰剂, 弱工具, ...]
【缺失检验】[...]
【聚类层次】...
【国家战略相关性】强 / 中 / 弱
【下一步】mw-mechanism-heterogeneity