Method 47 · ipw
IPW 逆概率加权
把处理组、对照组和政策时点落到代码里
IPW 逆概率加权 的 Markdown 风格教程：基于共用 CSMAR 风格案例生成实际代码、结果表和案例图。
一、IPW 逆概率加权是什么？
这页是 IPW 逆概率加权 的方法文档。所有表格和图都由 marketing/method_case_assets/generate_assets.py 从同一份 csmar_innovation_realistic.csv 生成，避免用占位图充当教程。重点是把 treat、post、event time 等变量构造写清楚，再解释处理效应表。
二、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。
三、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；部分真实烟测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 | ipw_results.csv |
| 角色要求 | dv、iv |
| 依赖包 | 无额外 Stata 社区包要求 |
四、实际代码
下面是本页对应的最小可复现 Stata 代码。生产环境里 empirical-wizard 会在此基础上处理变量映射、输出校验、失败诊断和报告装配。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
teffects ipw ($y) (treat $controls), atet vce(robust)
export delimited using "$JOB_DIR/ipw_results.csv", replace五、实际输出表
这张表就是本方法页使用的案例输出文件，保存在 marketing/method_case_assets/ipw/result.csv。
| 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 | ipw_results.csv | empirical-wizard 对应方法产物 |
| 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 |
| ATET proxy | -0.0338 | 平衡后再看处理效应，而不是只报告匹配成功 |
六、案例图
这是一张由同一份案例数据生成的页面内诊断图。
七、论文里怎么写
本文进一步采用IPW 逆概率加权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 ipw_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。
八、检查清单
- 确认本页使用的因变量、核心解释变量、控制变量与论文主模型一致。
- 先看表格里的样本口径，再看系数、p 值或诊断指标。
- 代码里的输出文件名要能对应网页展示的结果表。
- 检查 treat/post/event-time 的构造是否符合研究设计。
- 不要把处理效应写成自动因果，平行趋势或识别假设必须单独交代。