在政策评估与经济学实证研究中，双重差分法（DID）是衡量因果效应的基石方法。然而，当处理 timing 不一致时——即“交错DID”，传统模型可能产生严重偏误而不自知。Bacon分解的核心价值，正是通过精妙的“解剖”，诊断并量化这一隐藏偏误，为研究结论的可靠性提供关键依据。
一、问题根源：交错DID与“污染”的对照组
1. 理想设定与关键假设 经典DID依赖于一个处理组与一个纯净的对照组，其核心假设是“平行趋势”。我们关心的系数，来自于“处理组前后变化”与“对照组前后变化”之差。
2. 现实挑战：交错处理的复杂性 现实中，个体常在不同时点进入处理状态。例如，A市、B市、C市分别在2018、2020、2022年实施一项环保税，而D市从未实施。这种情境即为“交错DID”。研究者通常使用双向固定效应（TWFE）模型来应对，它曾被视为处理此类问题的标准答案。
3. 偏误的诞生：被污染的对照 近年研究揭示，在异质性处理效应（即处理效果在不同组或不同时点存在差异）存在时，TWFE估计量实则是一个加权平均值，它混合了两种性质的比较：
“洁净”比较：以从未处理组或尚未处理的组作为对照。这是DID效度的基础。
“污染”比较：当估计一个较晚处理组（如2020年的B市）的效应时，模型会使用一个早已被处理的组（如2018年已处理的A市）作为其“对照”。此时，A市的数据已受政策影响，无法代表反事实趋势。这种“处理组与已处理组”的比较，本质上是将处理后的效应差异误读为处理效应本身。
二、Bacon分解的解决方案：一次精密的“模型解剖”
为诊断上述偏误，Goodman-Bacon（2021）提出了Bacon分解。
它的工作原理是： 将总体估计量分解为所有可能的两时期-两分组DID估计值的加权平均。通过这份报告，研究者可以清晰地看到：
构成识别：总结果中，有多少来自“处理组 vs. 从未处理组”，有多少来自“后期处理组 vs. 早已处理组”等不同类型的比较。
偏误量化：
看权重：“污染”比较在总估计量中占据了多大比重？权重越高，潜在风险越大。
看数值：“污染”比较自身得出的估计值，与“洁净”比较的估计值是否存在巨大差异？差异越大，证明异质性效应越强，偏误越严重。
如果分解显示“污染”比较不仅权重高，且其估计值显著异于“洁净”比较，这便是核心假设被破坏的明确证据，表明主回归结果极可能失真。
#stata #Bacon
一、问题根源：交错DID与“污染”的对照组
1. 理想设定与关键假设 经典DID依赖于一个处理组与一个纯净的对照组，其核心假设是“平行趋势”。我们关心的系数，来自于“处理组前后变化”与“对照组前后变化”之差。
2. 现实挑战：交错处理的复杂性 现实中，个体常在不同时点进入处理状态。例如，A市、B市、C市分别在2018、2020、2022年实施一项环保税，而D市从未实施。这种情境即为“交错DID”。研究者通常使用双向固定效应（TWFE）模型来应对，它曾被视为处理此类问题的标准答案。
3. 偏误的诞生：被污染的对照 近年研究揭示，在异质性处理效应（即处理效果在不同组或不同时点存在差异）存在时，TWFE估计量实则是一个加权平均值，它混合了两种性质的比较：
“洁净”比较：以从未处理组或尚未处理的组作为对照。这是DID效度的基础。
“污染”比较：当估计一个较晚处理组（如2020年的B市）的效应时，模型会使用一个早已被处理的组（如2018年已处理的A市）作为其“对照”。此时，A市的数据已受政策影响，无法代表反事实趋势。这种“处理组与已处理组”的比较，本质上是将处理后的效应差异误读为处理效应本身。
二、Bacon分解的解决方案：一次精密的“模型解剖”
为诊断上述偏误，Goodman-Bacon（2021）提出了Bacon分解。
它的工作原理是： 将总体估计量分解为所有可能的两时期-两分组DID估计值的加权平均。通过这份报告，研究者可以清晰地看到：
构成识别：总结果中，有多少来自“处理组 vs. 从未处理组”，有多少来自“后期处理组 vs. 早已处理组”等不同类型的比较。
偏误量化：
看权重：“污染”比较在总估计量中占据了多大比重？权重越高，潜在风险越大。
看数值：“污染”比较自身得出的估计值，与“洁净”比较的估计值是否存在巨大差异？差异越大，证明异质性效应越强，偏误越严重。
如果分解显示“污染”比较不仅权重高，且其估计值显著异于“洁净”比较，这便是核心假设被破坏的明确证据，表明主回归结果极可能失真。
#stata #Bacon
