Conley 空间 HAC SE是什么？
Conley 空间 HAC 标准误处理的是误差项在地理距离内相关的问题。它不估计空间溢出效应，只是在空间相关存在时让标准误更稳健。
先用一句话理解
把 Conley 想成承认相邻地区会一起受冲击。普通标准误假装北京和天津的误差完全独立，但很多经济冲击会沿空间距离扩散；Conley 会按距离修正这种相关。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 样本有经纬度或空间位置，误差可能在一定距离内相关。 |
| 先不要用在 | 没有空间坐标，或研究问题是估计溢出效应而不是修正标准误。 |
| 最关键的前提 | 距离 cutoff 要有研究依据，不能为了显著性选择。 |
| 读表顺序 | 先看 cutoff 和距离口径，再看 Conley SE 与主标准误差异。 |
| 论文表述边界 | Conley 是空间相关稳健推断，不是空间计量模型。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| Cluster SE | 允许同一聚类内相关。 | 相关边界离散。 |
| Conley HAC | 允许一定地理距离内相关。 | 相关随距离 cutoff 定义。 |
| Spatial DID | 估计邻近处理溢出效应。 | 不是标准误修正。 |
核心直觉和模型公式
距离 cutoff 内的相关
Conley 的核心想法可以写成：
\[Cov(\varepsilon_i,\varepsilon_j)\ne0\quad \text{if }dist(i,j)\le c\]
距离超过 cutoff c 的误差相关被降权或视为无关。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| dist(i,j) | 空间距离 | 两个观测单位之间的地理距离。 |
| c | cutoff | 允许空间相关的最大距离。 |
| epsilon_i | 误差项 | 模型未解释部分。 |
| Cov | 误差协方差 | 空间邻近造成的相关。 |
| Conley SE | 空间 HAC 标准误 | 对空间相关稳健的推断口径。 |
专业使用口径
专业 Conley 报告要说明距离、cutoff 和是否做敏感性。
| 口径 | 专业写法 |
|---|---|
| 坐标来源 | 说明经纬度或空间位置如何获得。 |
| 距离度量 | 说明球面距离、公里距离或网络距离。 |
| cutoff | 报告主 cutoff，并做多个 cutoff 敏感性。 |
| 定位 | 强调只修正标准误，不估计空间溢出。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 准备空间坐标 | 每个观测需要可计算距离的位置。 | 坐标错误会直接污染标准误。 |
| 2. 固定主模型 | 系数方程不变。 | Conley 只改推断。 |
| 3. 选择 cutoff | 根据经济距离、通勤圈或文献设定。 | 不能事后调显著性。 |
| 4. 计算 Conley SE | 允许 cutoff 内误差相关。 | 比较标准误变化。 |
| 5. 做敏感性 | 多个 cutoff 下结果是否稳定。 | 单一 cutoff 不够。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：核心系数 = 0.0032；同一份 firm-year 样本的 DFI 估计。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看 cutoff | 空间相关允许到多远。 | 不报告 cutoff 不可复核。 |
| 再看标准误 | Conley 是否显著大于 cluster/robust。 | 变化大说明空间相关重要。 |
| 然后看 p 值 | 结论是否对空间相关稳健。 | 不要只保留常规 p。 |
| 最后看定位 | 它不是溢出效应估计。 | 不要把标准误修正写成机制。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 Conley 当空间模型 | 错。它只修正标准误。 |
| cutoff 事后选择 | 错。会变成显著性搜索。 |
| 没有坐标仍硬报 | 错。空间距离是核心输入。 |
| 不做 cutoff 敏感性 | 不够。Conley 结果依赖距离设定。 |
先看这个案例的结论
- 核心系数 = 0.0032；同一份 firm-year 样本的 DFI 估计。
- cluster SE = 0.0010；按企业聚类的标准误。
- HC1 SE = 0.0010；异方差稳健标准误对照。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | conley_hac_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | acreg |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
reg $y $x $controls i.year
* acreg $y $x $controls, latitude(lat) longitude(lon) dist(100)
export delimited using "$JOB_DIR/conley_hac_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | conley_hac_results.csv | empirical-wizard 对应方法产物 |
| 核心系数 | 0.0032 | 同一份 firm-year 样本的 DFI 估计 |
| cluster SE | 0.0010 | 按企业聚类的标准误 |
| HC1 SE | 0.0010 | 异方差稳健标准误对照 |
| SE 比值 | 0.9766 | Conley 空间 HAC SE 页重点说明标准误口径如何改变推断 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
为缓解模型设定或内生性担忧，本文补充报告Conley 空间 HAC SE。相关估计输出见 conley_hac_results.csv。该检验不替代研究设计本身，但可以说明核心结论在替代识别、标准误或稳健性口径下是否保持一致。
检查清单
- 先确认经纬度或空间距离变量真实存在，不能用行政编码假装距离。
- 说明空间 cutoff 和时间 lag，Conley 标准误对这些选择敏感。
- Conley 修正的是空间/时间相关推断，不改变核心系数本身。