Honest DID 敏感性是什么？
Honest DID 问的是 DID 结论能承受多大程度的平行趋势偏离。它不是只问政策前趋势是否显著，而是把可能的趋势偏离参数化，检查不同偏离幅度下置信区间是否仍支持结论。
先用一句话理解
把 Honest DID 想成给平行趋势假设做压力测试。普通 DID 假设两条线本来平行，Honest DID 会问：如果它们允许有一点不平行，结论还能站住吗。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | DID 或事件研究结果依赖平行趋势，需要报告趋势偏离敏感性。 |
| 先不要用在 | 没有事件研究或政策前时期，无法校准趋势偏离。 |
| 最关键的前提 | 敏感性参数 M 或趋势限制要有可解释依据。 |
| 读表顺序 | 先看原始事件研究，再看不同 M 下的稳健置信区间。 |
| 论文表述边界 | Honest DID 报告的是对平行趋势偏离的敏感性，不是新的处理效应魔法。 |
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 |
|---|---|---|
| 平行趋势检验 | 看政策前系数是否显著。 | 不显著不等于趋势完全平行。 |
| Honest DID | 允许一定趋势偏离并调整置信区间。 | 回答结论能承受多大偏离。 |
| Placebo | 用伪处理检查假效应。 | 检验不同风险。 |
核心直觉和模型公式
趋势偏离约束
Honest DID 常用敏感性集合限制政策后趋势偏离：
\[|\Delta_{post}-\Delta_{pre}|\le M\]
M 越大，允许的平行趋势偏离越强，稳健置信区间通常越宽。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| Delta_pre | 政策前趋势偏离 | 用政策前事件研究校准。 |
| Delta_post | 政策后可能偏离 | 政策后未观察到的反事实趋势偏离。 |
| M | 敏感性参数 | 允许政策后偏离相对政策前偏离的程度。 |
| robust CI | 稳健置信区间 | 在给定 M 下调整后的效应区间。 |
专业使用口径
专业 Honest DID 报告要让读者看到结论随 M 如何变化。
| 口径 | 专业写法 |
|---|---|
| 事件研究基础 | 先展示原始动态效应和政策前系数。 |
| M 的含义 | 说明 M=0、M=1 或其他取值代表什么偏离幅度。 |
| 稳健区间 | 报告不同 M 下置信区间是否跨零。 |
| 结论降级 | 若很小 M 就推翻结论，正文要更保守。 |
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. 估计事件研究 | 得到政策前和政策后动态系数。 | 没有 pre-period 难做敏感性。 |
| 2. 设定敏感性参数 | 选择 M 或趋势限制集合。 | 参数要解释清楚。 |
| 3. 计算稳健区间 | 在不同 M 下调整置信区间。 | 不是只报一个点估计。 |
| 4. 比较结论变化 | 看多大偏离会让结论不再显著。 | 这是最有信息的部分。 |
| 5. 写成边界 | 说明结论对平行趋势假设的敏感程度。 | 不要只写“通过 Honest DID”。 |
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 |
|---|---|---|
| 先看原始动态 | 政策前是否已经有偏离。 | 原图是敏感性基础。 |
| 再看 M | 允许了多大趋势偏离。 | M 不解释，读者无法判断强弱。 |
| 然后看稳健 CI | 区间是否跨零。 | 点估计不是重点。 |
| 最后看结论耐受度 | 结论能承受多大偏离。 | 耐受度低要诚实说明。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 pre 不显著当平行趋势证明 | 错。不显著不等于完全平行。 |
| 只报一个 M | 不够。需要展示敏感性路径。 |
| 不解释 M | 错。参数没有读者含义。 |
| 稳健区间跨零还写强结论 | 错。结论应降级。 |
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 | honest_did_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | honestdid |
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
* Honest DID is usually run after an event-study table.
xtreg $y did treat post $controls i.year, fe vce(cluster firm_id)
export delimited using "$JOB_DIR/honest_did_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 | honest_did_results.csv | empirical-wizard 对应方法产物 |
| ATT / DID 系数 | -0.0338 | Honest DID 敏感性 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Honest DID 敏感性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 honest_did_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
- 先定义政策前偏离趋势的容忍范围，不能事后调到结果显著。
- 读稳健置信区间时要接受它可能变宽或跨 0。
- Honest DID 是敏感性披露，不是把平行趋势问题自动修好。