Spatial DID 空间溢出 DID是什么？
Spatial DID 问的是政策是否不仅影响本地区，还通过空间邻近、网络连接或经济联系影响周边地区。它把直接处理效应和空间溢出效应分开讨论。
先用一句话理解
把 Spatial DID 想成一家城市修了高铁，旁边城市也可能受影响。普通 DID 只看本地是否处理，空间 DID 还要看邻居处理会不会溢出到本地。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 政策影响可能跨地区、跨企业网络或跨空间距离扩散。 |
| 先不要用在 | 没有可解释的空间权重矩阵，或邻近关系和政策本身混在一起无法区分。 |
| 最关键的前提 | 空间权重 W 必须来自事前规则，而不是为了结果显著调整。 |
| 读表顺序 | 先看 W 的构造，再看直接效应和空间滞后处理效应。 |
| 论文表述边界 | 空间溢出效应依赖 W 的定义，不同 W 下解释不同。 |
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 |
|---|---|---|
| DID | 估计本地处理效应。 | 默认对照组不受处理影响。 |
| Spatial DID | 同时估计本地处理和邻近处理暴露。 | 允许溢出。 |
| Conley SE | 只修正空间相关标准误。 | 不估计溢出效应本身。 |
核心直觉和模型公式
本地处理和空间暴露
Spatial DID 可写成：
\[Y_{it}=\beta D_{it}+\rho W D_{it}+\boldsymbol{\gamma}'\mathbf{Z}_{it}+\mu_i+\lambda_t+\varepsilon_{it}\]
β 是本地直接效应，ρ 是邻近处理暴露带来的空间溢出效应。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| D_it | 本地处理 | 本单位是否受到政策影响。 |
| W | 空间权重矩阵 | 定义谁是邻居，以及邻近强度。 |
| W D_it | 空间处理暴露 | 邻近单位处理状态的加权平均。 |
| β | 直接效应 | 本地处理对本地结果的影响。 |
| ρ | 溢出效应 | 邻近处理对本地结果的影响。 |
专业使用口径
专业 Spatial DID 的核心是 W 的可解释性和对照组污染风险。
| 口径 | 专业写法 |
|---|---|
| W 构造 | 距离、邻接、经济联系或网络关系应事前定义。 |
| 直接/间接效应 | 区分本地处理效应和邻近溢出效应。 |
| 对照污染 | 若对照组受到溢出，普通 DID 会低估或混淆效应。 |
| 稳健性 | 不同距离 cutoff 或权重矩阵应做敏感性。 |
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. 说明溢出机制 | 为什么政策会跨空间影响。 | 没有机制不要硬加 W。 |
| 2. 构造 W | 按距离、邻接或网络定义权重。 | W 不能结果驱动。 |
| 3. 构造空间暴露 | 计算 W×D。 | 暴露变量要和政策时间对齐。 |
| 4. 估计直接和溢出效应 | 同时放入 D 和 WD。 | 两者含义不同。 |
| 5. 做 W 敏感性 | 换 cutoff 或权重方式。 | 溢出结论依赖 W。 |
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 W | 邻近关系如何定义。 | W 不清楚时溢出无法解释。 |
| 再看 β | 本地直接处理效应。 | 不要和溢出混在一起。 |
| 然后看 ρ | 邻近处理是否影响本地。 | ρ 的符号要结合机制。 |
| 最后看稳健性 | 不同 W 下是否一致。 | 单一 W 结果不够。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| W 为了显著性调整 | 错。空间权重必须事前定义。 |
| 把空间相关 SE 当溢出效应 | 错。修正标准误和估计溢出是两件事。 |
| 忽略对照组污染 | 错。溢出会破坏普通 DID 对照。 |
| 不区分直接和间接效应 | 错。β 和 ρ 的解释不同。 |
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 | spdid_results.csv |
| 角色要求 | 因变量、个体 ID、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
reg $y did treat post $x $controls i.year, vce(cluster firm_id)
* Spatial DID adds a spatial lag when coordinates / W matrix are available.
export delimited using "$JOB_DIR/spdid_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 | spdid_results.csv | empirical-wizard 对应方法产物 |
| ATT / DID 系数 | -0.0338 | Spatial DID 空间溢出 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Spatial DID 空间溢出 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 spdid_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
- 先定义处理效应和空间溢出的距离或权重矩阵。
- 区分本地政策效应和邻近地区溢出效应，不能混成一个系数解释。
- 空间 DID 同时依赖平行趋势和空间权重设定，两个前提都要说明。