home / methods / dr-ipwra

实证方法教程 / dr_ipwra

IPWRA 双重稳健 ATET

把处理组、对照组和政策时点落到代码里

这节课解决什么适合政策评估、处理组/对照组和处理时间明确的准实验问题。
先准备哪些变量因变量 / 核心解释变量
会看到哪张表dr_ipwra_results.csv
论文里怎么克制解释报告处理组定义、对照组来源、样本窗口和识别假设。
返回方法库 查看共用案例

IPWRA 双重稳健 ATET是什么？

DR-IPWRA 问的是能否同时使用处理模型和结果模型来估计处理效应。它的“双重稳健”含义是：处理模型或结果模型至少一个设定正确时，估计仍有机会保持一致。

先用一句话理解

把 DR-IPWRA 想成两条安全绳。一条绳是处理概率模型，一条绳是结果方程；理论上只要其中一条绑对了，估计就不至于完全失去依托。

什么时候用

判断项教科书式判断
适合用在处理不是随机发生，且既能建模处理选择，也能建模结果方程。
先不要用在处理组和对照组缺少 overlap，或两个模型都缺少关键协变量。
最关键的前提双重稳健不是双重保险万能；至少一个模型要设定正确。
读表顺序先看处理模型和平衡，再看结果模型和 ATET。
论文表述边界它处理可观察选择，不自动解决不可观察内生性。

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
IPW只依赖处理概率模型构造权重。倾向模型错了会有偏。
RA只依赖结果方程调整。结果模型错了会有偏。
IPWRA同时使用处理模型和结果模型。至少一个模型正确时更稳。

核心直觉和模型公式

处理模型和结果模型

IPWRA 同时估计两类对象：

\[p(X_i)=Pr(T_i=1\mid X_i),\quad m_t(X_i)=E[Y_i\mid T_i=t,X_i]\]

p(X) 用于加权，m_t(X) 用于结果调整；两者共同构造 ATE 或 ATET。

公式里的符号怎么读

符号含义在本页怎么理解
p(X)处理模型给定协变量后接受处理的概率。
m_t(X)结果模型处理状态 t 下的条件结果均值。
T处理状态处理组或对照组。
ATE / ATET平均处理效应全样本或处理组上的平均效应。
double robust双重稳健至少一个模型正确时估计仍可一致。

专业使用口径

专业 IPWRA 报告不能把“双重稳健”写成无需诊断。

口径专业写法
处理模型说明倾向得分变量和 overlap。
结果模型说明结果方程变量和函数形式。
平衡诊断加权或调整后协变量应更可比。
估计对象清楚写 ATE、ATT 还是 ATET。

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. 选处理前协变量同一组关键变量应支持处理和结果模型。处理后变量不能进入。
2. 估计处理模型得到 p(X) 并检查 overlap。overlap 不足会破坏估计。
3. 估计结果模型分别建模处理组和对照组结果。函数形式不能随意。
4. 合并估计效应用 IPWRA 公式得到 ATE/ATET。确认 estimand。
5. 做敏感性检查比较 IPW、RA、PSM 或平衡结果。双重稳健也需要诊断。

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：匹配/加权前 DFI SMD = 0.1873；处理组与对照组的标准化差异。

读表顺序本页怎么读不要这样读
先看 overlap处理概率是否有共同支撑。没有 overlap，双重稳健也救不了。
再看模型设定处理模型和结果模型变量是否合理。两个模型都错会有偏。
然后看 ATET/ATE确认估计对象和样本范围。不要混用解释。
最后看一致性与 IPW、RA 或 PSM 结果是否大体一致。大幅冲突要解释。

初学者最容易错在哪里

误读为什么错
把双重稳健理解成必然正确错。至少一个模型要设定正确。
不看 overlap错。共同支撑仍是前提。
ATE/ATET 混写错。估计对象不同。
处理后变量进模型错。会破坏反事实解释。

先看这个案例的结论

  • 匹配/加权前 DFI SMD = 0.1873；处理组与对照组的标准化差异。
  • 匹配/加权后 DFI SMD = 0.0656；教学近似：展示平衡改善方向，正式页读对应命令输出。
  • 匹配/加权前 ROA SMD = -0.0632；协变量平衡不能只看一个变量。
  • 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dr_ipwra_results.csv
角色要求因变量、核心解释变量
依赖包无额外 Stata 社区包要求

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

teffects ipwra ($y $controls) (treat $controls), atet vce(robust)
export delimited using "$JOB_DIR/dr_ipwra_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dr_ipwra_results.csvempirical-wizard 对应方法产物
匹配/加权前 DFI SMD0.1873处理组与对照组的标准化差异
匹配/加权后 DFI SMD0.0656教学近似：展示平衡改善方向，正式页读对应命令输出
匹配/加权前 ROA SMD-0.0632协变量平衡不能只看一个变量
ATET proxy-0.0338平衡后再看处理效应，而不是只报告匹配成功

案例图

这是一张由同一份案例数据生成的页面内诊断图。

IPWRA 双重稳健 ATET 的共用案例输出图。
IPWRA 双重稳健 ATET 的共用案例输出图。

论文里怎么写

本文进一步采用IPWRA 双重稳健 ATET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 dr_ipwra_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

  • 同时检查处理模型和结果模型设定，双重稳健不是双重保险箱。
  • 报告 overlap、权重稳定性和 ATET/ATE 口径。
  • 如果两个模型都错，IPWRA 仍然会错；不要过度宣传双重稳健。

返回教程库 · 查看共用案例