双重差分双向固定效应模型单年份估计的奇异性问题求助

一、Perc_Policy*TIME项奇异性的核心原因 #

• 完全多重共线性：当你只取2004年首次实施政策的子样本时，Perc_Policy*TIME交互项和双向固定效应（个体+时间）完全共线。这类子样本里，所有处理组的政策启动时间都是2004年，Perc_Policy的变化仅发生在2004年这个节点，而时间固定效应已经吸收了所有年份的共同趋势，个体固定效应又控制了市政层面的固定特征，交互项没有独立的变异可以被识别，所以被模型自动剔除。
• 子样本的处理时间同质化：单年份处理组的样本中，政策实施时间完全一致，Perc_Policy和时间的交互关系被固定效应完全覆盖，模型无法分离出交互项的独立影响。

二、奇异性与Perc_Policy不显著的解决方案 #

• 改用相对时间设定模型：放弃绝对TIME，用政策实施后的相对年份（比如实施当年为0，之后为1、2…）构建交互项，避免共线问题：

  # 先构造相对时间和政策实施后的标识变量
  Policy_application_2004 <- Policy_application_2004 %>%
    mutate(rel_time = year - 2004,
           post_policy = as.integer(rel_time >= 0),
           treat_post = Perc_Policy * post_policy)
  
  # 重新估计双向固定效应模型
  fixed_model <- plm(INCOME_GR ~ treat_post + rel_time,
                     data = Policy_application_2004,
                     effect = "twoways", model = "within", weights = WEIGHT)
  

• 用did包适配单处理时间组：did包的att_gt函数专门处理这类情况，只需指定处理年份即可自动识别有效变异：

  library(did)
  # 假设数据中有市政ID(municipality_id)、年份(year)、首次处理年份(first_treat)变量
  single_year_att <- att_gt(yname = "INCOME_GR",
                            gname = "first_treat",
                            idname = "municipality_id",
                            tname = "year",
                            xformla = ~ Perc_Policy,
                            data = Policy_application_2004,
                            weights = "WEIGHT")
  

• 调整稳健性检验思路：如果单年份子样本的估计始终有问题，不必硬推交互项模型，转而做该组的平行趋势检验（验证政策前处理组和控制组收入增长无差异），或聚焦该组政策实施后的动态效应，同样能起到稳健性验证的作用。

三、单年份估计的不稳定性对全样本结果的影响 #

• 不会直接影响全样本结论：全样本回归利用了交错处理的所有变异（不同年份实施政策的组之间差异），且你已经用did包解决了交错DID的统计偏误，结果的可靠性远高于单年份子样本。
• 单年份结果的解读：单年份中Perc_Policy不显著反而符合外生性假设——政策实施前处理组和控制组的收入增长率本就不该有差异（平行趋势），而全样本的显著结果来自政策实施后的处理效应。如果该组样本量较小，也可能是样本量不足导致的统计功效不足，而非全样本结果不可靠。
• 无需过度纠结：只要全样本通过了平行趋势、安慰剂检验等关键稳健性测试，单年份的不稳定结果不会动摇核心结论。

内容的提问来源于stack exchange，提问作者M_B