交错型DID：Borusyak估计值远高于其他稳健方法的原因探究

一、估计差异的核心原因 #

结合处理效应异质性的背景，Borusyak（Borusyak, Jaravel, Spiess 2021）方法与其他交错DID方法（如Callaway-Sant'Anna、Sun-Abraham）的估计差异主要源于以下两点：

• 估计目标与加权逻辑不同：Borusyak默认估计的是处理组整体的平均处理效应（ATE），权重直接绑定处理组的样本量和处理时间分布；而多数其他方法默认估计的是组-时间平均处理效应（GT ATE）的加权平均，权重可能更偏向于样本量较大的组或时间点。若数据中早期处理组的处理效应远高于晚期组，且Borusyak对早期组赋予更高权重，会直接推高整体估计值。
• 反事实构建的差异：Borusyak依赖“永不处理组”构建反事实，若该组与处理组的事前特征差异显著（但事前趋势检验未捕捉到非线性差异），会导致反事实预测偏误，进而放大处理效应；而其他方法可灵活选择同期未处理组作为对照组，降低此类偏差。

二、论文场景下的溯源分析步骤 #

1. 拆分样本定位异质性驱动源 #

• 按处理时间分组：将样本拆分为早期、中期、晚期处理组，分别用所有方法估计。若某一组的Borusyak估计值与其他方法差异显著，即可锁定该组为差异核心来源。
• 按核心特征分组：按研究对象的关键特征（如企业规模、行业、地区）拆分样本，逐一对比估计结果，定位差异最突出的子样本，明确异质性的具体维度。

2. 对齐方法的估计目标 #

• 调整Borusyak的估计目标：将其设定为与其他方法一致的GT ATE加权平均（而非处理组ATE），重新运行模型，若差异缩小，说明加权逻辑是核心原因。
• 手动验证权重影响：提取各方法的权重矩阵，用其他方法的权重重新计算Borusyak的估计值，直接对比权重差异带来的效应变化。

3. 检验反事实构建的合理性 #

• 替换Borusyak的对照组：将“永不处理组”替换为同期未处理组，重新估计后若结果接近其他方法，说明原对照组的选择是偏差来源。
• 细化协变量平衡检验：不仅检验事前趋势，还要针对不同处理时间点，对比Borusyak使用的对照组与处理组的事前协变量分布，若存在显著差异，说明反事实构建存在偏误。

4. 核查模型设定细节 #

• 核对固定效应：确认所有方法的固定效应设定完全一致（如是否包含个体固定效应、时间固定效应、个体-时间趋势项等），排除因固定效应差异导致的估计偏差。
• 复现模型代码：重新编写各方法的估计代码，确保变量定义、样本范围、聚类标准误的设定完全匹配，排除代码错误的可能性。

5. 用合成数据验证机制 #

• 构建含强异质性的合成数据：设定早期处理组的处理效应为晚期组的2-3倍，其余特征与原始数据匹配，用所有方法估计。若能复现Borusyak偏高的结果，即可验证“异质性加权”是差异原因；若不能，说明原始数据中存在未识别的样本选择或遗漏变量问题。

内容的提问来源于stack exchange，提问作者romanowski