Interrupted Time Series 政策评估是什么？
Interrupted Time Series 回答的是某个明确干预发生后，结果变量的水平或趋势是否出现改变。它适合只有一个总体或少量总体、政策在明确时点实施的评估。
先用一句话理解
把 ITS 想成在一条时间趋势线上插一根针。针之前结果按某条趋势走，针之后如果立刻跳了一下，叫水平变化；如果斜率变了，叫趋势变化。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 政策或事件有明确实施时间，且有足够干预前后时间点。 |
| 先不要用在 | 干预时点模糊，或同时发生多个不可区分的大事件。 |
| 最关键的前提 | 干预前趋势要能为反事实趋势提供合理基线。 |
| 读表顺序 | 先看干预前趋势，再看 post 水平变化和 post trend 变化。 |
| 论文表述边界 | 没有对照组的 ITS 容易受同期冲击影响，因果表述要谨慎。 |
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 |
|---|---|---|
| 前后比较 | 只比政策前后均值。 | 忽略原有趋势。 |
| ITS | 估计政策前趋势、水平跳变和趋势改变。 | 更适合单序列政策评估。 |
| DID | 有处理组和对照组。 | 用对照组构造反事实。 |
核心直觉和模型公式
水平和趋势变化
分段 ITS 可写成：
\[Y_t=\beta_0+\beta_1 time_t+\beta_2 post_t+\beta_3 timeAfter_t+\varepsilon_t\]
beta2 是干预后的即时水平变化，beta3 是干预后的趋势变化。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| time_t | 时间趋势 | 干预前的基础趋势。 |
| post_t | 干预后指示 | 干预发生后为 1。 |
| timeAfter_t | 干预后时间 | 衡量趋势斜率是否改变。 |
| β2 | 水平变化 | 干预后是否立即跳变。 |
| β3 | 趋势变化 | 干预后斜率是否改变。 |
专业使用口径
专业 ITS 报告要把反事实趋势和同期冲击风险讲清。
| 口径 | 专业写法 |
|---|---|
| 干预时点 | 政策开始时间必须明确。 |
| 前趋势 | 干预前要有足够点估计基线。 |
| 自相关 | 时间序列误差通常需要 HAC 或 AR 处理。 |
| 对照增强 | 若可能，加入对照序列形成 controlled ITS。 |
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. 标出干预时点 | 确定 post 从哪一期开始。 | 模糊时点会污染估计。 |
| 2. 画时间序列 | 观察前趋势和断点后变化。 | ITS 图非常重要。 |
| 3. 估计分段趋势 | 读取水平变化和趋势变化。 | 两者含义不同。 |
| 4. 处理自相关 | 使用合适标准误或误差结构。 | 时间序列残差常相关。 |
| 5. 检查同期事件 | 排除同时发生的其他冲击。 | 这是因果解释最大威胁。 |
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：年度聚合观测 = 6；面板案例按 year 聚合。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看图 | 干预前后是否有可见变化。 | 图能暴露异常点。 |
| 再看 β2 | 是否有即时跳变。 | 这是水平效应。 |
| 然后看 β3 | 趋势是否改变。 | 这是斜率效应。 |
| 最后看自相关和同期事件 | 推断是否可靠。 | 没有对照组时尤其重要。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 只做前后均值比较 | 不够。ITS 要控制原趋势。 |
| 把水平变化和趋势变化混写 | 错。β2 和 β3 含义不同。 |
| 忽略自相关 | 风险高。p 值会偏乐观。 |
| 同期事件不讨论 | 错。单序列 ITS 的主要威胁。 |
先看这个案例的结论
- 年度聚合观测 = 6；面板案例按 year 聚合。
- ln Patent 年趋势 = 0.0993；年度均值趋势斜率。
- DFI 年趋势 = 22.3130；数字金融指数年度变化。
- 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 | its_results.csv |
| 角色要求 | 因变量、时间变量 |
| 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
collapse (mean) $y $x, by(year)
gen post2018 = year >= 2018
gen trend = _n
reg $y trend post2018 c.trend#i.post2018
export delimited using "$JOB_DIR/its_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 | its_results.csv | empirical-wizard 对应方法产物 |
| 年度聚合观测 | 6 | 面板案例按 year 聚合 |
| ln Patent 年趋势 | 0.0993 | 年度均值趋势斜率 |
| DFI 年趋势 | 22.3130 | 数字金融指数年度变化 |
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
本文将企业面板按年份聚合后使用Interrupted Time Series 政策评估进行时间序列诊断。结果见 its_results.csv。由于本教学案例年度观测较少，该页重点展示代码和解释框架，正式论文需要更长时间序列。
检查清单
- 先定义干预时间点，并检查干预前趋势是否足够稳定。
- 区分水平突变和趋势变化，二者对应不同系数。
- ITS 对同期其他冲击很敏感，正文要说明是否存在混杂政策。