多时间点DID统计检验全流程：从平行趋势到稳健估计量

做政策评估、项目复盘或者任何因果推断研究的人，这几年应该都有一个共同的感受：只要数据里出现“不同时间点才落地的处理”，关于统计检验的讨论就绕不开。我最近复核一个区域性就业扶持项目的效果评估，A类城市在早期落地政策、B类城市一年多以后才跟进、C类城市在整个观察期内始终没有落地，合作方第一版分析直接把所有处理时点都虚拟变量化，跑一个双向固定效应回归就准备下结论。这恰恰是多时间点DID里最容易出问题的地方。

现在我把自己处理多时间点DID时的一套检验流程完整梳理出来。包括事件研究图怎么画、双向固定效应为什么会在交错处理下翻车、几种稳健估计量怎么操作、结果不一致时怎么排查。适合正在做面板数据政策评估、准备实证论文，或者只是想在自己报告里把因果结论写严谨的研究者。内容偏实操，代码用R和Stata双版本展示，复制下来改改数据就能用。

1. 从两期DID到多时间点DID：关键变化解析

1.1 经典两期DID的标准逻辑

先回到最基本的场景。假设你有一个处理组和一个对照组，政策在某个明确时点生效，数据恰好只有政策前后两期。DID的思想就是做两次差分：处理组前后变化减去对照组前后变化，得到处理效应。之所以可以做这个减法，核心依赖是平行趋势假设——如果政策没有落地，处理组的变化趋势会和对照组保持一致。

这个设计的优雅之处在于，它不需要控制所有影响结果的变量，只需要两组在没有政策时的轨迹平行。所以经典DID的“统计检验”任务相对简单：验证平行趋势，报告处理组前后差异的显著性，结束。

1.2 多时间点DID的两种常见形态

多时间点DID至少有两种形态，很多人没区分清楚就开始跑代码。

形态一：政策同一时间在全国或全样本范围内全面落地，但数据采集是多期面板。这种情况下处理组和对照组的身份不随时间变化，多出的时间点主要用来验证动态效应和政策前的平行趋势。检验起来相对温和，传统事件研究法就够用。

形态二：交错处理，也叫滚动采纳。处理组在不同时间点陆续进入处理状态，有人早处理、有人晚处理、还有人不处理。本文重点讨论的就是这种形态。

我用一个贯穿全文的虚构案例来说明。一个区域性就业扶持项目X，目标是提升参与者就业收入。A类城市在2018年落地，B类城市在2020年落地，C类城市在整个观察期内都没有落地。你的数据是一份城市-年份面板，2016年到2023年，每个城市有若干个体层面的观测值。现在要回答的问题有三个：政策落地前，三类城市的收入轨迹是否平行？政策落地后，收入提升是否真实、是否随时间增强或衰减？不同城市群体的反应可能不一致，怎样得到一个总体平均效应？

1.3 为什么检验任务突然变复杂

多时间点交错设计的难点，不在于“时间点变多了”，而在于处理状态在个体和时间维度上出现了交错。A类城市2018年就处理了，但B类城市直到2020年才开始处理。在估计B类城市效果的时候，A类城市已经被处理过，它还能不能当对照组？如果把A类城市拿去当B类城市的对照，而A类城市自己的处理效应还在随时间变化，那么这个“对照”本身就携带了处理效应，反事实被污染。

这就是多时间点DID统计检验的核心矛盾：处理组之间会互相污染。后面要介绍的负权重问题、稳健估计量问题，全都源于这个结构。所以多时间点DID的检验不是一个孤立步骤，而是一整套针对识别假设、估计方法和推断策略的系统性审查。

2. 多时间点DID检验体系：需要检验的四件事

2.1 四个检验目标拆解

很多人一说多时间点DID的检验，直觉反应就是“画个事件研究图看平行趋势”。但平行趋势只是第一层。完整来说，我觉得至少要覆盖四个目标。

第一个目标：平行趋势假设是否成立。政策落地前，各处理队列与对照组的趋势是否可比。第二个目标：动态处理效应是否稳定。处理效应可能随时间增强、衰减，甚至先滞后再显现，是否捕捉到了这种时变特征。第三个目标：处理效应在不同处理队列之间是否同质。早处理组和晚处理组的效应往往不同，忽略这种异质性会让总体估计失去解释力。第四个目标：统计推断是否可靠。标准误聚类层级是否合理、处理组数量少时渐进近似是否可靠、多重检验问题是否被忽略。

2.2 区分设计检验与稳健性检验

我会把检验任务分成两类。第一类是设计检验，回答“这个数据能不能支撑因果识别”，典型操作是事件研究图和平行趋势检验。第二类是结果稳健性检验，回答“我的结论对不同估计方法是否敏感”，典型操作是换用多种稳健估计量并对比。

这两类检验的定位完全不同。设计检验不过关，后面无论用什么估计量都缺乏说服力。稳健性检验则是用来应对“我已经确认设计合理，但不同估计方法给出的数字不同”的情况。很多实证报告只做了第一类，跑完事件研究图就直接报告TWFE结果，这在交错处理背景下是不够的，因为没有检查估计量的内部污染问题。

2.3 检验计划要前置，而不是事后补救

我踩过的最大的坑，就是在回归结果出来之后才想“我要不要再做一个平行趋势检验”。这种做法容易变成为了通过而调整检验设定。正确的做法是在数据分析前就把检验计划写清楚：基期选在哪一期、预处理期检验哪些时点、使用哪些稳健估计量、聚类层级选哪个。这样既对自己的结论负责，也方便合作方或审阅人理解你的决策逻辑。

检验计划前置不是形式主义。它逼着你在看到结果之前想清楚数据生成过程，而不是根据结果反推一个“能过”的设定。

3. 平行趋势与动态效应：事件研究法详细操作

3.1 事件时间变量的构造逻辑

事件研究法的第一步，是构造“相对事件时间”变量。公式很简单：

rel_time = year - first_treat_year

其中first_treat_year是每个城市第一次接受处理的年份，从未处理的城市记为缺失。政策落地当期记为0，政策前一期记为-1，政策后一期记为1，以此类推。

这个变量构造看起来简单，但有几个坑需要注意。从未处理的城市没有first_treat_year，它们不进入事件时间维度，只在回归中提供时点和个体固定效应。数据中如果有城市在样本期之前就已经被处理，也就是左删失，这类样本的rel_time会偏小，甚至看起来永远是处理状态，需要额外处理。

3.2 事件研究回归方程与代码实现

事件研究的回归设定是：

y_it = α_i + γ_t + Σ β_k D_it^k + ε_it

其中α_i是个体固定效应，γ_t是时间固定效应，D_it^k是在相对时间等于 k 时取1的虚拟变量。基期一般选-1期，也就是政策前一期。处理前所有β_k应该不显著，这是平行趋势的直观证据；处理后所有β_k描述了动态处理效应。

R语言用fixest包，写法非常简洁：

library(fixest) # rel_time 已经按前一步构造好，ref = -1 表示基期设为 -1 mod_es <- feols(y ~ i(rel_time, ref = -1) + year | id, data = df, cluster = ~ id) # 提取事件研究系数并绘图 library(broom) es_df <- tidy(mod_es) |> filter(str_detect(term, "rel_time")) # 也可以直接用 fixest 自带的绘图函数 iplot(mod_es, main = "Event Study Estimates")

Stata版本：

* 构造相对事件时间 gen rel_time = year - first_treat_year if !missing(first_treat_year) * 事件研究回归，基期设为 -1 期 reghdfe y ib(-1).rel_time i.year, absorb(id) vce(cluster id) * 绘制事件研究图 coefplot, keep(rel_time*) vertical yline(0) xline(-1)

注意reghdfe估计时，rel_time会被自动当作因子变量处理，产生一系列相对时间虚拟变量。如果样本时期跨度大，可以考虑把末端时期合并，避免远端样本量过少导致系数波动。R 中可以用i(rel_time, ref = -1, bin = "bin")之类的端点合并选项，Stata 中需要手动生成合并端点变量。

3.3 看图与判定：不只是看“显著不显著”

事件研究图的判定标准，很多人理解成“处理前系数不显著即可”。这个说法不够严谨。

首先要看处理前各期系数的置信区间是否包含0。其次还要看系数本身的绝对值，如果处理前系数是0.8但置信区间很宽，不显著只是意味着“信息量不足”，并不能证明平行趋势成立。反之，处理前系数全部在0附近小幅度波动，即使个别点靠近显著边界，也可以接受。这里的关键是幅度，不是单一的p值。

还需要注意多重检验问题。事件研究通常在处理前画了四五个点，每个点单独做一次置信区间检验，整体上看，出现一个点落入显著区域的概率会被放大。严谨的做法是使用同时置信带，或者对处理前所有系数做联合F检验。R中可以用car::linearHypothesis对多个预处理系数做联合检验，Stata中可以用test命令。

3.4 动态效应如何解读

处理后的系数如果逐渐增大，说明效果随时间累积；如果先升后降，说明存在短期效应但衰减；如果处理当期不显著，滞后一两期才显著，说明政策存在传播和落地过程。这些动态信息比单纯一个平均效应更有价值。

但要注意，事件研究估计结果本身在交错处理下也可能存在偏误，原理就是第4章要讨论的坏对照组问题。所以事件研究图适合作为诊断工具，而不一定要作为最终报告的唯一依据。

4. 不能绕开的坑：双向固定效应在交错处理下的偏误

4.1 负权重的来源

双向固定效应模型是政策评估里的默认选项：

y_it = α_i + γ_t + δ D_it + ε_it

D_it在处理后取1，系数δ被当作平均处理效应。在单一处理时点且处理状态恒定不变的场景下，这个解释没问题。但在交错处理下，δ本质上是一堆2×2比较的加权平均，权重可能为负。

负权重怎么来的？想象一下，C类城市从未处理，是干净的对照组；A类城市处理早，B类城市处理晚。估计B类城市效应时，模型会把A类城市在前一段时期的变化当作“对照组趋势”。可是A类城市已经处理了，它的变化既包含时间趋势，也包含自身的处理效应。如果A类城市的处理效应随时间变化，那么“A类城市的变化”就不是一个干净的对照。更麻烦的是，TWFE在组合多个比较时，会给某些比较分配负权重，导致最终估计量可能偏离真实效应，甚至出现符号反转。

我用一个生活化类比解释：你想测一款新肥料对不同批次作物的效果，第一批早就浇了，第二批刚浇。你把第一批浇过肥的田当作第二批的“对照”，可第一批田自己还在持续生长，这个对照就不干净。你还不小心给某些对照的差值打了负的权重，最后算出来的“平均促长效果”可能远低于真实值。

4.2 什么信号说明TWFE可能不可靠

实操中怎么判断自己是否中招？我会检查三个危险信号。

一是处理组覆盖率随时间快速上升，比如政策在几年内从10%覆盖到70%，那么“未处理对照组”的规模越来越小，坏比较的比例上升。二是动态效应明显，事件研究图显示处理后效应持续增强或衰减，说明处理效应本身存在时间异质性，这是负权重问题产生的重要条件。三是处理组内部的处理时机差异大，第一批和最后一批间隔多年，早期处理组长期处于“已被处理”状态，不断被用作晚期队列的对照。

如果想量化负权重问题，现在有基于2×2比较的分解诊断方法，把TWFE估计结果拆成若干组比较的加权和。如果负权重占比高，基本可以判定TWFE估计量不是一个可信的总体效应。

4.3 什么时候可以继续使用TWFE

也不能一棒子打死。如果处理时点集中，比如所有处理组都在同一两年内落地，或者处理效应相对同质，不太随时间变化，TWFE的偏误通常比较有限。

我更推荐的做法是：把TWFE当作参照系，而不是唯一结论。先跑事件研究和TWFE，再跑稳健估计量，如果几种方法结果方向一致、幅度相近，直接报告TWFE并说明稳健性检查通过；如果差异明显，以稳健估计量为准，并解释差异来源。

5. 稳健估计量实操指南：三种路径对照

5.1 组别-时期平均处理效应估计量

这是目前最主流的思路。基本逻辑是：先按首次处理时间把处理组分成不同队列，对每一个队列g在每一个时期t估计一个平均处理效应ATT(g, t)，然后再按需要聚合成总体效应或事件时间动态效应。

关键细节在对照组的选择。可以选择从未处理的城市作为对照组，也可以选择“尚未处理”的城市作为对照组。后者更常用，因为样本量更大。R语言中可以用did包：

library(did) # gname 是首次处理年份，未处理组编码为0 att_gt_res <- att_gt( yname = "y", tname = "year", idname = "id", gname = "first_treat_year", data = df, control_group = "notyettreated", base_period = "universal", panel = TRUE ) summary(att_gt_res) # 聚合成事件时间动态效应 dynamic_res <- aggte(att_gt_res, type = "dynamic", min_e = -4, max_e = 5) summary(dynamic_res) # 聚合成简单总体平均处理效应 overall_res <- aggte(att_gt_res, type = "simple") summary(overall_res)

Stata中对应命令是csdid：

ssc install csdid csdid y, ivar(id) time(year) gvar(first_treat_year) method(reg) * 查看总体效应、动态效应、队列效应 estat simple estat event estat group

使用csdid前注意变量的编码规则，未处理组的first_treat_year通常记为0或缺失，不同命令要求不一致，需要仔细看帮助文档。

5.2 插补型估计量

插补型估计量的想法更直接：用从未处理组样本估计一个结果方程，预测处理组的“反事实结果”，然后用实际结果减去反事实结果，得到个体处理效应，再平均。

这种方法的优点是计算透明、原理清晰。R语言用didimputation包：

library(didimputation) est <- did_imputation( data = df, yname = "y", idname = "id", tname = "year", gname = "first_treat_year", first_stage = ~ 0, horizon = NULL, pretrends = NULL ) summary(est)

Stata中可以用did_imputation命令：

ssc install did_imputation did_imputation y id year first_treat_year, hor(0(1)5) pretrend(1(1)5)

插补法的风险在于第一阶段模型的设定。如果结果变量受很多时变协变量影响，而你漏掉了关键变量，反事实预测就会出现偏差。所以在使用插补法时，first_stage公式里要谨慎加入协变量，不能为了省事全都不加。

5.3 交互加权型估计量

交互加权型估计量保留了事件研究的外形，但调整了处理组和对照组的权重，使得每个队列只用“干净”的未处理样本做对照，避免早期处理组污染晚期队列。

R中可以用fixest包配合sun_ab()函数：

mod_sa <- feols(y ~ sun_ab(rel_time, first_treat_year) + year | id, data = df, cluster = ~ id) iplot(mod_sa, main = "Sun-Abraham Event Study")

Stata中可以用eventstudyinteract命令：

ssc install eventstudyinteract eventstudyinteract y, absorb(id year) cohort(first_treat_year) event(rel_time) vce(cluster id)

交互加权型估计量对数据要求稍高，如果某些队列在某段事件时间上没有样本，权重计算可能出现极端值，需要检查每个队列-事件时间单元的样本量。

5.4 三种方法怎么选、结果如何对照

三种方法不是互相排斥的，我会在报告里至少跑两种交叉验证。选择逻辑如下：

如果三种方法给出的总体效应高度一致，说明结论对方法选择不敏感，这是最理想的情况。如果差异明显，不要直接平均了事，要认真查差异来源：对照组定义不同、样本范围不同、聚合权重不同，都可能导致差异。把这些来源在报告里坦诚写清楚，比强行得出一个数字更有价值。

6. 常见问题与排查技巧实录

6.1 事件研究图中处理前系数“显著”怎么办

这是最让研究者头疼的情况。我的排查顺序固定是这样：先做分解诊断，看是不是负权重造成的人为假趋势；再检查基期选择，换一个基期看看结论是否翻转；然后考虑预期效应，如果政策在正式落地前已经被公众知晓，处理组可能在政策前就开始调整行为，这时候需要把政策宣布时点纳入事件时间；最后做安慰剂检验，随机打乱处理时点，看事件研究图在随机分配下是否还会出现“显著”的先期趋势。

如果以上都没有问题，那就要承认平行趋势假设存疑。此时能做的是找额外的预处理期数据、找更细颗粒度的数据，或者换用合成控制等更灵活的方法。

6.2 多个稳健估计量结果不一致，该信谁

这个问题几乎每次评审都会被问。我的原则是：先比方向和显著性，再比点估计的大小。如果所有方法方向一致且都在同一量级，就报告一组范围值。如果方向都不一致，说明数据里可能存在强异质性或对照组选择敏感性问题。

这时回到原始数据检查：是不是某个队列贡献了过多权重？是不是从未处理组样本量太小？是不是协变量分布在组间严重不平衡？我发现很多时候“结果不一致”是因为不同方法对“对照”的定义不同，有的用从未处理组，有的用尚未处理组，两组样本构成差异很大。

6.3 聚类层级怎么选

多时间点DID的推断问题容易被忽略。个体层面有重复观测，处理状态在城市层面变化，所以聚类至少应该到城市层面。如果只聚类到个体，会严重低估标准误。

处理组数量较少时，常规聚类稳健标准误可能偏大或偏小，更稳妥的做法是使用野聚类bootstrap。一个简单的经验法则是：如果处理组数量小于30，建议做wild cluster bootstrap检验，并把它作为主结果推断依据。

6.4 没有“从未处理”组怎么办

不是所有数据都有从未处理组。比如一项政策最终覆盖了所有城市，只是时间有先后。这时可以把最后一批处理的城市当作“尚未处理”的对照组，利用它们处理之前的时间段做识别。

这类设计的解释范围要收窄：估计出来的效应是“相对于最后处理组的相对效应”，而不是“相对于完全不受政策影响的绝对效应”。如果你的政策理论上对所有城市都有长期影响，那么最后处理组自身也受到了影响，效应会存在衰减偏误，解读时需要谨慎。

6.5 时期太少或样本量不足怎么处理

多时间点DID的很多方法依赖事件时间的丰富变化。如果样本期只有五年，第一批和最后一批处理间隔又近，事件时间能覆盖的点很少，稳健估计量的标准误会很大。

我的经验是：把事件时间端点做合并，不要追求画出完整的事件研究图；预处理期的检验集中在政策前一期或前两期；更多依赖插补法这类对数据要求稍低的方法；在报告里明确标注小样本警示，不要过度解读不显著的结果。

另外提醒一个容易被忽略的问题：如果面板数据不平衡，有些城市在样本期内消失，事件研究图的端点系数可能只由留存样本估计，存在选择性进出样本的偏误。建议先做一个平衡面板版本的敏感性分析，看看结论是否一致。

我个人的体会是，多时间点DID的统计检验没有一劳永逸的程序，每一步取舍都取决于你对数据生成过程的理解。跑代码只占三成，剩下七成是在想清楚“处理状态”是怎么进入样本的、对照组的反事实究竟由谁承担。如果你正在做类似评估项目，建议从事件研究和分解诊断入手把病变查清，再选估计量，这个流程会帮你少踩很多坑。