YZT_Research的博客

本研究旨在深入探讨数字人民币试点政策对中国经济的潜在影响。具体而言，研究将聚焦于三个核心经济领域：城市居民消费与支付行为、商业银行存款与流动性，以及数字经济活跃度与零售业营收。研究将采用城市层面的面板数据，并运用先进的多时期 DID 估计方法，以确保因果推断的稳健性。通过对这些关键领域的影响进行量化分析，本研究将为评估数字人民币试点政策的成效提供实证依据，并为未来的政策制定和推广提供参考。

在社会科学研究领域，机制分析始终作为揭示变量间因果关系的核心枢纽，更是 “讲好故事” 的关键所在。以中介机制分析为例，在学界诸位研究者的探索下，其方法不断革新 —— 从传统的 “三步法”，到优化的 “两步法”，再到如今的 “因果中介” 模型，每一次迭代都让因果关系的剖析更加精准，研究故事的脉络愈发丰富多元。恰当的研究方法不仅是证实研究结论的有力工具，更能成为挖掘潜在变量关系的 “金钥匙”。近期，阿水梳理发现，近一年来顶刊中开始出现一种新的机制分析方法 —— 多中介因果路径分析。随着复杂因果关系研究的深入

本文介绍了因果中介分析的高级应用场景，包括计数中介变量、指数均值结果、多值处理、连续处理等模型。通过Stata中的mediate命令，文章展示了如何在不同数据类型下进行中介效应分解，估计自然间接效应(NIE)、自然直接效应(NDE)和总效应(TE)。以出生体重研究为例，演示了教育程度通过吸烟行为影响婴儿体重的机制分析，并比较了线性模型与指数均值模型的结果差异。文章还涉及控制直接效应估计和处理效应尺度转换等进阶内容，为研究者提供了全面的因果中介分析实操指南。

使用H2O机器学习框架分析1000多名足球运动员的市场价值驱动因素。通过合并GitHub和Kaggle数据，构建了包含21个变量的数据集，重点关注球员表现指标。研究采用对数转换处理数据偏态，并运用随机森林和梯度提升机进行建模（80%训练集，20%测试集）。结果显示，模型能有效预测球员市场价值（Deviance=0.654），特别揭示了法国前锋姆巴佩作为异常高价值案例。研究创新性地结合SHAP解释框架，识别出关键价值驱动因素，为足球产业转

HonestDiD：DID与事件研究的稳健推断工具包 该Stata工具包基于Rambachan & Roth (2022)的顶刊方法，通过两种创新方式量化平行趋势假设的潜在违背： 1️⃣ 相对大小限制：后处理期趋势偏离不超过预处理期最大偏离的M倍 2️⃣ 平滑性限制：趋势斜率变化幅度不超过M值 核心功能包括： • 构建考虑估计误差的稳健置信区间 • 自动计算结论成立的M值"崩溃点" • 支持非交错/交错DID设计，兼容主流命令 • 提供医疗补助扩张案例全流程分析 安装简便，支持W

阿水给大伙扒拉到了stata官网精心整理的一套 《stata代码速查表》，里面啥常用的数据分析、数据转换、数据可视化的stata代码，统统都有呢。大伙可以自个儿去下载打印

合成双重差分法（SDID）是一种估计面板数据中处理效应的新方法。本文介绍了SDID的R语言实现包，通过加州99号提案对香烟消费的影响案例演示其应用。该包可计算处理效应点估计值、构建置信区间，并提供丰富的数据可视化功能，包括平行趋势图、控制单元贡献图和预处理趋势检验。文章对比了SDID与传统双重差分法和合成控制法的估计结果

多期双重差分法（DiD）研究新进展 传统双重差分法（DiD）主要用于两期两组的因果效应估计，而多期DiD研究正面临方法论革新。最新研究表明，标准双向固定效应（TWFE）回归在多期处理设计中存在严重缺陷，可能导致因果效应估计偏差。 核心问题在于TWFE方法会混合三种比较：新处理单元与"从未处理"组（有效）、与"尚未处理"组（有效），以及与"已经处理"组（无效）。后者会引入动态处理效应，使估计结果难以解释，甚至出现符号反转现象。

本文介绍了双重稳健差分法（DRDID）的理论基础与Stata实现。DID方法通过2×2设计（两组×两期）估计处理效应，需满足平行趋势假设。传统方法可能受异质性处理或协变量影响，而DRDID结合回归与逆概率加权双重稳健估计，只需其中一种模型正确即可获得一致估计。文章详细阐述了DID原理、控制变量选择逻辑，并演示了drdid命令的实际应用。该命令支持面板和重复截面数据，提供多种估计量选项，能有效处理潜在偏误问题。通过lalonde.dta数据示例，展示了DRDID在实证研究中的操作流程与结果解读。

多时期双重差分法（DID）的改进估计方法CSDID v1.6的新特性，包括效率提升、新增WB置信区间和seed选项以确保结果可重复性，以及新推出的csdid_plot绘图功能。文章深入探讨了传统双向固定效应（TWFE）模型在处理异质性效应时的问题，特别是早期处理组作为控制组时可能导致的负权重问题。通过引入DRDID作为核心估计方法，CSDID有效避免了不良比较，采用双重稳健估计量来准确计算ATT(g,t)。新版本通过矩阵运算优化了标准误差计算，显著提升了运行效率。最后，文章详细说明了相关程序的安装

高维固定效应（HDFE）模型通过absorb()选项显著提升了估计效率，允许在各类线性模型中（包括普通回归、固定效应模型和工具变量模型）同时处理多个高维分类变量。相比传统方法（如直接引入分类变量指示变量），新方法能大幅减少计算时间——在百万级观测值的案例中，耗时从数分钟降至秒级。例如，在包含3个高维分类变量的模型中，areg配合absorb()选项比传统方法快300倍。该功能还扩展至xtreg, fe和ivregress 2sls命令，支持更复杂的模型设定，如聚类标准误和面板统计量计算，同时提供nosigm

STATA19的cate命令为因果效应分析提供了新工具，可估计个体化和群体化的治疗效果。该命令能分析治疗效果的异质性，比较不同干预策略，并识别最优治疗分配方案。示例展示了如何使用cate研究401(k)资格对金融资产的影响：通过交叉拟合和随机森林模型计算个体化平均治疗效果（IATE），发现资产效应存在显著异质性（p=0.0427）。直方图显示治疗效果呈右偏分布，表明平均效应可能低估部分群体的收益。该工具适用于劳动经济学、市场营销和医学研究等领域，可揭示协变量（如教育年限）对治疗效果的具体影响模式。

因果推断是识别变量间因果关系的科学方法，广泛应用于社会科学、医学和商业领域。黄金标准是随机对照试验（RCT），通过随机化消除偏差，但实施成本高。替代方法包括： 双重差分法（DiD）：比较处理组与对照组在干预前后的差异，需满足平行趋势假设； 合成控制法（SC）：为单一处理单元构建合成对照组，适用于宏观政策评估； A/B测试：数字版RCT，快速验证产品/营销效果，需控制变量确保结果可靠性。 因果分析需严谨设计，避免混淆相关性与因果性。理解这些方法有助于制定有效决策，尤其在实验受限的场景中。