Callaway-Sant'Anna 交错 DID是什么？
CSDID 解决交错处理里的坏对照问题。不同单位在不同时间接受处理时，普通 TWFE 可能把已经处理过的单位当成对照，CSDID 改为按处理 cohort 和时间分别估计 ATT(g,t)。
先用一句话理解
把 CSDID 想成每一批政策进入者单独找对照。2017 年处理的单位，不应该被 2019 年已经处理过的单位“反过来”当对照。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 处理时间分批发生，不同单位进入政策的年份不同。 |
| 先不要用在 | cohort 无法构造，或每个 cohort 的未处理对照组太少。 |
| 最关键的前提 | 对每个 cohort 来说，可用对照组能代表它未处理时的趋势。 |
| 读表顺序 | 先看 cohort/event-time 是否成立，再看 ATT(g,t)、聚合 ATT 和事件研究图。 |
| 论文表述边界 | CSDID 是交错 DID 的稳健估计，不应和普通 TWFE 系数混成同一个数字。 |
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 |
|---|---|---|
| TWFE DID | 一个回归吸收个体和时间固定效应。 | 交错处理下可能出现负权重或坏对照。 |
| CSDID | 按 cohort 和时间估计 ATT(g,t)。 | 明确谁在给谁当对照。 |
| Stacked DID | 每个 cohort 构造局部样本后堆叠。 | 更直观地展示对照组构造。 |
核心直觉和模型公式
cohort-time 处理效应
CSDID 的核心对象不是单个 TWFE 系数，而是：
\[ATT(g,t)=E[Y_t(1)-Y_t(0)\mid G_i=g]\]
这里的 g 是首次处理时间，t 是观察时间；ATT(g,t) 可以再聚合成总体效应或事件时间效应。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| G_i | 首次处理 cohort | 单位 i 第一次接受处理的时间。 |
| t | 观察时间 | 可以在处理前，也可以在处理后。 |
| ATT(g,t) | cohort-time 效应 | 第 g 批处理单位在 t 时点的处理效应。 |
| event time | 相对处理时间 | t - g，用来画处理前后动态效应。 |
| control group | 对照组 | 通常是 never-treated 或 not-yet-treated。 |
专业使用口径
CSDID 页面必须把 cohort 构造说清楚，否则读者无法判断估计对象。
| 口径 | 专业写法 |
|---|---|
| cohort 构造 | 说明首次处理时间如何从 treatment/post/id/time 推出。 |
| 对照组选择 | 说明使用 never-treated 还是 not-yet-treated。 |
| 事件研究 | 处理前 event-time 系数应接近零。 |
| 失败披露 | cohort 退化、样本不足或 ADO 缺失时，应写 skipped/unavailable。 |
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. 找首次处理时间 | 为每个单位确定 G_i。 | 没有 cohort，就没有 CSDID 的核心对象。 |
| 2. 选择对照组 | 明确 never-treated 或 not-yet-treated。 | 不能让已处理单位当坏对照。 |
| 3. 估计 ATT(g,t) | 分别计算 cohort-time 效应。 | 不要只盯一个聚合数字。 |
| 4. 聚合结果 | 按 cohort、时间或 event-time 聚合。 | 聚合方式要和论文问题对应。 |
| 5. 画事件研究 | 检查处理前动态和处理后路径。 | 图比单个系数更能暴露问题。 |
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：本案例的 ATT / DID 系数是 -0.0338，p 值是 0.6629。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看 cohort 状态 | 是否成功构造 G_i，是否有足够对照。 | 退化 cohort 不应硬解释。 |
| 再看 ATT(g,t) | 不同 cohort 的效应可能方向和大小不同。 | 不要把所有批次当成同一政策冲击。 |
| 然后看聚合 ATT | 聚合值是摘要，不是唯一结果。 | 不说明权重的聚合值很难解释。 |
| 最后看事件图 | 政策前是否接近零，政策后是否符合理论。 | 只看 post 平均效应不够。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 CSDID 写成普通 DID | 错。它的估计对象是 ATT(g,t)。 |
| 忽略对照组来源 | 错。CSDID 的可信度取决于谁当对照。 |
| cohort 退化仍解释结果 | 错。构造失败应披露为 skipped。 |
| 只报告聚合 ATT | 不够。至少说明 event-time 或 cohort 结果如何支持聚合结论。 |
先看这个案例的结论
- 本案例的 ATT / DID 系数是 -0.0338，p 值是 0.6629。
- 2017 年政策前组间 gap 是 0.0824，2020 年政策后 gap 是 0.0425。
- 政策评估页必须把处理组定义、政策前差距和处理效应放在一起读，不能只截一行交互项。
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 | csdid_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | csdid、drdid |
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
csdid $y $controls, ivar(firm_id) time(year) gvar(treat) method(dripw)
estat event
export delimited using "$JOB_DIR/csdid_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 | csdid_results.csv | empirical-wizard 对应方法产物 |
| ATT / DID 系数 | -0.0338 | Callaway-Sant'Anna 交错 DID 在共用案例里的处理效应读数 |
| p 值 | 0.6629 | 用于判断处理效应是否稳定 |
| 2017 组间 gap | 0.0824 | 政策前一年 treated-control 差距 |
| 2020 组间 gap | 0.0425 | 政策后三年 treated-control 差距 |
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
本文进一步采用Callaway-Sant'Anna 交错 DID检验数字普惠金融变化对企业创新的影响。处理组、对照组和政策后变量均基于同一 firm-year 样本构造，结果报告在 csdid_results.csv 中。若处理效应方向与基准回归一致，可作为政策评估维度的补充证据；若不一致，应优先解释识别假设和样本切分差异。
检查清单
- 先确认 cohort 定义为首次处理时间，不能把已处理组继续当作对照。
- 分别读 ATT(g,t)、聚合 ATT 和事件研究图，不要只截一个平均值。
- cohort 太少、事件窗口太短或 ADO 不可用时，要诚实写成不可用或限制。