安慰剂检验(Placebo)

所属分类：因果推断

这个方法是做什么的

它不估计任何新的效应，它做的是证伪：保持时期结构与控制变量不变，只把“谁是处理组”这个标签在个体层面随机重排，每重排一次就重跑一遍双重差分，默认 500 次，于是得到 500 个本不该存在的“伪 ATT”。真实 ATT 如果落在这堆伪估计的尾部，就说明同等大小的效应很难由随机的分组划分产生；如果落在中间，那么你的效应与随机噪声就分不开。随机种子固定为 42，同一份数据重跑结果可复现。

报告把两套推断并排放在一张表里：真实 ATT 的解析推断（HC1 异方差稳健标准误加 t 分布）与随机化推断的经验 p 值，另给零分布的均值、标准差、经验 95% 临界区间和真实 ATT 所处的百分位；卡③ 画伪 ATT 直方图与伪回归自身的 p 值分布图；卡④ 除随机化 z 值外，还做一项少见但重要的诊断——把每次置换回归自己的 p 值当成一次“原假设为真时的检验”，统计其中 p<0.05 的比例，再用精确二项检验与名义水平 5% 比较，等于给你当前这套 DID 设定量了一次假阳性率。

需要准备什么数据

• 放入[定量]因变量 Y：1 个，定量变量（数值）
• 放入[定类]分组变量 Treat：1 个，定类变量（分组/标签）
• 放入[定量]时间变量 Time：1 个，定量变量（数值）
• 放入[定类]个体ID (可选)（可选）：不限
• 放入控制变量 (可选)（可选）：不限

数据要求

• 数据表至少 30 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。
• 「放入[定类]分组变量 Treat」必须正好是 2 个类别。
• 「放入[定类]分组变量 Treat」的每一组至少 4 个样本。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 已经用双重差分得到一个显著的净效应，需要回应“会不会只是碰巧分组分出来的”
• 个体数不多、序列相关明显，担心解析标准误的分布假设撑不住
• 审稿人点名要求随机化推断或置换检验
• 想顺带体检一下当前 DID 设定本身是不是容易制造显著（卡④ 的假阳性率诊断）

分组变量必须是 0/1，时间变量至少两个取值。强烈建议提供个体 ID：置换必须发生在处理被分配的那一层级。置换次数默认 500、可填 50 到 2000，填得更大会被夹到 2000，报告会把你填的值和实际执行的次数都写出来。

什么时候不要用它

• 还没估出效应，只是想做双重差分：先用「双重差分(DID)」跑主结果，它卡④ 本来就自带一行把事件时点前移的安慰剂检验；本模块是在主结果之后追加的稳健性证据。
• 想检验的是平行趋势而不是随机性：这是两件事。卡① 的结论文案讲得很清楚，安慰剂检验回答的是效应会不会由随机分组偶然产生，它不能替代平行趋势检验。要检验平行趋势，用「双重差分(DID)」的事件研究法事前联合检验。
• 想做的是“换控制变量、换子样本、换滞后期再跑一遍”：那是多设定复核不是随机化推断，用「稳健性检验」，它会在多个变体下重复估计并汇总。
• 数据是前后各一期、两组基线差得多：先把主模型建对，用「PSM-DID」，它自带 300 次分时期随机重排处理标签的安慰剂检验。
• 只有一期截面、没有时间维度：置换双重差分无从谈起，回到「倾向得分匹配 (PSM)」，用共同支撑与均衡性来支撑可比性。

容易误读的地方

• 通过安慰剂检验，不等于因果识别成立，只等于这一条没被证伪。 卡④ 的结论文案写明：它只检验效应是否可能由随机分组产生，无法排除遗漏变量、同期政策冲击等与处理状态系统相关的混杂。卡⑤ 的方法边界还补了一句更狠的——拒绝原假设只说明存在某种效应，不等于这个效应就是你声称的那个政策效应。把“安慰剂检验通过”写成“因果关系成立”，是这一族里最常见的越界。
• 经验 p = 0.0020 是地板，不是一个精确的 p 值。 表注写明经验 p 值含 +1 连续性修正，最小可能取值就是 1/(N+1)。演示数据 500 次置换里 0 次达到真实 ATT，于是 p 被写成 0.0020——它的含义是“比 1/501 还小”，同一份数据跑 2000 次会写成 0.0005。拿它去和别人报告里的 p 值比大小、或者写成“p 恰为 0.002”，都是误读。想要更细的分辨力，就把置换次数调大。
• 不给个体 ID，置换层级会退化，模块会明说但不会拦你。 实测同一份数据去掉个体 ID：卡① 的置换层级由“个体层面，按企业编号整体重贴标签”、判定“正确”，变成“行层面”、判定“退化”，卡④ 的假阳性率也由 2.8% 变成 6.8%。逐行置换会把同一个体的多期观测打散，构造出一个现实中不可能出现的分配方式。面板数据一定要把 ID 拖进来。
• 假阳性率诊断体检的是你的 DID 设定，不是你的政策效应。 演示数据里 500 次置换有 14 次（2.8%）的伪回归自己达到了 p<0.05，精确二项检验 p=0.023，判定为显著低于名义水平、推断偏保守——这句话说的是这套 HC1 加 t 分布的推断偏保守、真实效应的显著性可能被低估，不是“你的结论更可靠”。反过来若这个比例明显高于 5%，说明当前设定容易制造显著（常见原因是序列相关或聚类结构未处理），真实结果的显著性就要打折扣。
• 这里的解析标准误是 HC1，即使你提供了个体 ID 也不做聚类。 主结果表的口径说明写的就是 HC1 异方差稳健标准误加 t 分布，个体 ID 只用来决定置换层级。所以本模块的解析 95%CI 不能直接当成主结果引用：要用聚类稳健标准误，回「双重差分(DID)」跑一遍，那里提供个体 ID 就会按个体聚类，并把聚类数一并印出来。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：主结果表（真实 ATT 与随机化推断）
3. 输出结果三：可视化（零分布与假阳性率）
4. 输出结果四：效应量与事后分析（随机化推断·假阳性率诊断）
5. 输出结果五：结论与学术表述