Sun-Abraham 事件研究是什么？
Sun-Abraham 事件研究处理交错 DID 中的动态效应污染问题。不同 cohort 在不同时间处理时，普通 TWFE 事件研究可能把其他已处理 cohort 当作对照，导致事件时间系数被污染。
先用一句话理解
把 Sun-Abraham 想成每一批政策进入者都有自己的相对时间表。2017 年处理和 2019 年处理的单位不能简单混在一起，要先按 cohort 和 event time 分开，再聚合。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 政策分批发生，需要画交错处理下更干净的事件研究图。 |
| 先不要用在 | 没有 cohort 或 event-time，或对照组不足以支持 cohort-specific 比较。 |
| 最关键的前提 | 对照组应来自 never-treated 或 not-yet-treated，避免已处理组污染。 |
| 读表顺序 | 先看 cohort/event-time 构造，再看政策前系数和动态路径。 |
| 论文表述边界 | 它是交错 DID 事件研究估计，不应和普通 TWFE event-study 混写。 |
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 |
|---|---|---|
| TWFE event study | 直接放入相对时间虚拟变量。 | 交错处理下可能被已处理组污染。 |
| Sun-Abraham | 用 cohort × event-time 交互再聚合。 | 避免不合适对照。 |
| CSDID | 估计 ATT(g,t) 并可聚合事件时间。 | 同样处理交错 DID 风险。 |
核心直觉和模型公式
cohort × event-time 交互
Sun-Abraham 的核心可以写成：
\[Y_{it}=\sum_{g,k}\beta_{gk}1[G_i=g]1[t-G_i=k]+\mu_i+\lambda_t+\varepsilon_{it}\]
先估计每个 cohort 在每个 event time 的效应，再把 β_gk 聚合成事件研究路径。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| G_i | 首次处理 cohort | 单位 i 第一次接受处理的时间。 |
| k | event time | 相对处理时间 t-G_i。 |
| β_gk | cohort-specific 动态效应 | 第 g 批在相对时间 k 的效应。 |
| μ_i | 个体固定效应 | 控制单位不变差异。 |
| λ_t | 时间固定效应 | 控制共同时间冲击。 |
专业使用口径
专业 Sun-Abraham 报告重点在动态路径和政策前检验，而不是只报一个平均系数。
| 口径 | 专业写法 |
|---|---|
| cohort 构造 | 说明首次处理时间如何定义。 |
| 基准期 | 明确省略的 event-time 基准期。 |
| 对照组 | 说明使用 never-treated 或 not-yet-treated。 |
| 动态图 | 政策前系数用于检查平行趋势，政策后系数展示动态效应。 |
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. 构造 cohort | 找出每个单位首次处理时间 G_i。 | 没有 G_i 就无法做 SA。 |
| 2. 构造 event time | 计算 k=t-G_i。 | 事件时间定义要统一。 |
| 3. 选择对照组 | 避免使用已处理单位作为坏对照。 | 对照组定义要披露。 |
| 4. 估计 cohort × event-time | 得到 β_gk。 | 不要直接解释未聚合的噪声。 |
| 5. 聚合并画图 | 展示政策前后动态路径。 | 图中置信区间和基准期要清楚。 |
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 cohort 和基准期 | 不同基准期会改变图的参照。 | 不要只看曲线形状。 |
| 再看政策前 | pre 系数应接近零。 | 政策前显著说明平行趋势风险。 |
| 然后看政策后 | 动态效应是否逐步出现或消退。 | 单个 post 点不代表整体路径。 |
| 最后看聚合方式 | 不同 cohort 如何加权。 | 聚合权重不清楚时要谨慎。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 TWFE event study 当干净交错 DID | 错。可能存在坏对照污染。 |
| 不说明基准期 | 错。事件研究图必须有参照期。 |
| 政策前显著仍强写平行趋势 | 错。应披露风险。 |
| 只报平均效应不画动态 | 不够。Sun-Abraham 的价值在动态路径。 |
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 | sa_eventstudy_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | eventstudyinteract |
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 cohort = cond(treat == 1, 2018, 0)
eventstudyinteract $y did $controls, absorb(firm_id year) cohort(cohort) control_cohort(0) vce(cluster firm_id)
export delimited using "$JOB_DIR/sa_eventstudy_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 | sa_eventstudy_results.csv | empirical-wizard 对应方法产物 |
| ATT / DID 系数 | -0.0338 | Sun-Abraham 事件研究 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Sun-Abraham 事件研究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 sa_eventstudy_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
- 先确认相对时间和 cohort 构造正确，避免把已处理组当作错误对照。
- 重点读处理前 lead 系数和平行趋势，再读处理后的动态效应。
- Sun-Abraham 是处理交错 DID 偏误的事件研究口径，不是普通 TWFE 的换名。