RDID 断点 × DID是什么？
RDID 把断点附近可比性和 DID 的前后变化结合起来。它问的是阈值附近，政策后过线组相对不过线组多变化了多少。识别同时依赖阈值附近连续性和前后变化逻辑。
先用一句话理解
把 RDID 想成在分数线附近再做前后比较。刚过线和刚没过线的人本来很像，如果政策后过线侧相对不过线侧多变了，这个变化更可能来自规则。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 处理由阈值决定，同时有政策前后数据可用于差分。 |
| 先不要用在 | running variable 可操纵，或政策前阈值两侧已经有不同趋势。 |
| 最关键的前提 | 阈值附近连续性和平行变化都要可信。 |
| 读表顺序 | 先看阈值和带宽，再看政策前后断点跳跃变化。 |
| 论文表述边界 | RDID 是阈值附近的局部前后效应，不能外推到全样本。 |
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 |
|---|---|---|
| RDD | 只利用阈值附近横截面跳跃。 | 局部比较。 |
| DID | 利用组间前后变化。 | 依赖平行趋势。 |
| RDID | 阈值局部比较加前后差分。 | 同时要求连续性和趋势逻辑。 |
核心直觉和模型公式
断点 × 政策后
RDID 的核心项通常是阈值处理侧和政策后的交互：
\[Y_{it}=\beta Post_t\times 1[X_i\ge c]+f(X_i-c)+\mu_i+\lambda_t+\varepsilon_{it}\]
β 表示政策后阈值处理侧相对阈值对照侧多出来的局部变化。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| X_i | running variable | 决定是否过阈值的排序变量。 |
| c | 阈值 | 处理状态变化的切点。 |
| Post | 政策后 | 政策或规则实施之后。 |
| Post×1[X≥c] | RDID 核心项 | 政策后过线侧的额外变化。 |
| β | 局部 DID 效应 | 阈值附近的前后差分效应。 |
专业使用口径
专业 RDID 必须同时报告 RDD 诊断和 DID 诊断。
| 口径 | 专业写法 |
|---|---|
| 带宽 | 说明阈值附近使用的窗口。 |
| 操纵检验 | running variable 在阈值处不应异常堆积。 |
| 政策前跳跃 | 政策前阈值两侧不应已有同样跳跃。 |
| 局部解释 | 结论只适用于阈值附近样本。 |
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. 确定阈值规则 | 处理必须由阈值决定。 | 阈值不能事后搜索。 |
| 2. 选择带宽 | 限定阈值附近样本。 | 带宽太宽会削弱局部可比性。 |
| 3. 检查政策前 | 看政策前阈值两侧差异和趋势。 | 前期不平衡要说明。 |
| 4. 估计交互项 | 读 Post×阈值处理侧。 | 不要只读阈值主效应。 |
| 5. 做敏感性 | 更换带宽、多项式和诊断图。 | 单一带宽不够。 |
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 |
|---|---|---|
| 先看带宽 | 效应在哪个阈值窗口内成立。 | 不要外推全样本。 |
| 再看政策前 | 阈值两侧是否已有跳跃。 | 已有跳跃会削弱识别。 |
| 然后看 β | 政策后过线侧额外变化。 | 不是普通 DID 平均效应。 |
| 最后看操纵 | running variable 是否可操纵。 | 操纵明显时要降级结论。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 只做 DID 不看阈值诊断 | 错。RDID 还依赖 RDD 连续性。 |
| 只做 RDD 不看政策前后 | 错。RDID 还依赖前后变化。 |
| 外推到远离阈值样本 | 错。效应是局部的。 |
| 带宽调到显著 | 错。带宽要有规则和敏感性。 |
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 | rdid_results.csv |
| 角色要求 | 因变量 |
| 依赖包 | rdrobust |
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
gen rdid = rdd_treat * post
reg $y rdid rdd_treat post running_dfi $controls i.year, vce(cluster firm_id)
export delimited using "$JOB_DIR/rdid_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 | rdid_results.csv | empirical-wizard 对应方法产物 |
| ATT / DID 系数 | -0.0338 | RDID 断点 × 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RDID 断点 × 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 rdid_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
- 先确认同时存在清楚阈值和政策前后变化，否则不是 RDID。
- 阈值附近样本要满足 RDD 的连续性，政策前后还要满足 DID 的趋势要求。
- RDID 结论比单独 RDD 或 DID 更局部，外推时要更克制。