When Is Parallel Trends Sensitive to Functional Form?¶

作者: Jonathan Roth, Pedro H. C. Sant'Anna
来源: Econometrica
主题: 因果推断
相关性: 9/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本子方向的核心问题是：在双重差分（DiD）设计中，平行趋势假设（Parallel Trends, PT）是否依赖于结果变量的函数形式（scale）？具体来说，如果研究者对结果变量做严格单调变换（如取对数、Box-Cox变换），原本成立的平行趋势假设是否仍然成立？如果不成立，那么基于某个特定函数形式的DiD估计量可能对变换敏感，从而影响因果推断的稳健性。这是一个识别假设的稳健性分析问题，位于因果推断中“假设检验”与“敏感性分析”的交汇处。当前该子方向的成熟度较低——已有文献多注意到问题存在（如Meyer, 1995; Athey & Imbens, 2006; Kahn-Lang & Lang, 2020），但缺乏系统的理论刻画和可操作的检验方法。

发展脉络（history）¶

奠基工作：Meyer (1994, 1995) 最早在自然实验的讨论中注意到，平行趋势假设可能在取对数后成立但在原始水平上不成立，反之亦然。这提出了一个实际问题，但未给出理论分析。

主要进展：Athey & Imbens (2006) 的“changes-in-changes”模型通过引入分位数处理效应框架，部分绕开了函数形式问题——他们的识别不依赖平行趋势假设，而是依赖“未处理组的分布随时间变化方式与处理组相同”这一更强的分布假设。Bonhomme & Sauder (2011) 和 Callaway & Li (2019) 进一步在分位数DiD框架下工作，引入了copula稳定性假设来识别分位数处理效应。这些工作虽然处理了分布层面的识别，但并未直接回答“平行趋势假设本身对函数形式是否敏感”这一更基础的问题。

当前frontier：Kahn-Lang & Lang (2018) 在讨论“16 and Pregnant”案例时明确指出：“平行趋势论证需要证明所选函数形式的合理性，probit和logit中的交互项系数在某些情况下可能是合理的”。Roth (2022) 则系统分析了预趋势检验（pretest）的局限性——低功效和条件推断偏差。Roth, Sant’Anna, Bilinski & Poe (2022) 的综述将“平行趋势的潜在违反”列为DiD文献三大前沿之一。然而，这些工作都停留在“问题存在”的层面，缺乏对“何时平行趋势对函数形式不敏感”的理论刻画。

本文的位置：本文是第一个系统刻画平行趋势对函数形式敏感性的充要条件的工作。它给出了一个简洁的特征化：平行趋势对所有严格单调变换都成立，当且仅当未处理潜在结果的累积分布函数（CDF）满足某种更强的“平行趋势”型条件。这个条件进一步等价于总体可分解为两个子组——一个处理近似随机分配，另一个未处理潜在结果分布随时间稳定。本文还基于此提出了可检验的falsification test。

子线索聚类¶

这些被引文献大致落在三条子线索上：

平行趋势假设的稳健性与敏感性（直接相关）：Meyer (1994, 1995), Kahn-Lang & Lang (2018), Roth (2022), Roth et al. (2022)。这一簇关注平行趋势假设本身是否合理、是否对函数形式敏感、以及预趋势检验的局限性。本文直接填补了这一簇的核心理论空白。
分布层面的DiD识别（间接相关）：Athey & Imbens (2006), Bonhomme & Sauder (2011), Callaway & Li (2019), Callaway, Li & Oka (2017)。这一簇通过引入更强的分布假设（如copula稳定性、changes-in-changes）来识别分位数处理效应，从而绕开函数形式问题。本文与这一簇的关系是互补的——本文不提出新的识别策略，而是分析已有识别假设（平行趋势）的稳健性。
DiD的现代方法发展（背景相关）：Callaway & Sant’Anna (2018), Sant’Anna & Zhao (2020), Abraham & Sun (2018), Chaisemartin & d’Haultfoeuille (2018)。这一簇处理多期、处理时间异质性、双重稳健估计等实际问题。本文的falsification test可以视为这些方法的补充诊断工具。

这个方向在追问的核心问题¶

平行趋势假设是否对函数形式敏感？ 即，如果PT在原始尺度上成立，在取对数后是否一定成立？反之亦然。
如果敏感，什么条件下PT对所有单调变换都不敏感？ 即，是否存在一个“最稳健”的设定？
如何检验PT对函数形式的不敏感性？ 即，能否构造一个falsification test，其原假设是“PT对所有单调变换都成立”？
如果PT对函数形式敏感，研究者应该怎么办？ 是选择“最合理”的函数形式，还是采用对函数形式不敏感的识别策略（如changes-in-changes）？

当前主流方法与已知瓶颈：主流方法是在某个选定的函数形式（通常是原始水平或对数）下检验平行趋势（事件研究图、pre-trends test）。已知瓶颈包括：(i) 预趋势检验低功效（Roth, 2022）；(ii) 函数形式的选择缺乏理论指导；(iii) 即使通过预趋势检验，也无法保证PT在未观测到的反事实下成立。

⚠️ 作者的framing¶

作者将缺口frame成：“平行趋势假设对函数形式的敏感性是一个被注意到但未被理论刻画的问题”。具体来说，作者声称： - “Previous papers have noted that the parallel trends assumption may hold in logs but not levels or vice versa (e.g. Meyer, 1995; Athey and Imbens, 2006; Kahn-Lang and Lang, 2020).” —— 承认问题存在。 - “We provide a novel characterization: the parallel trends assumption holds under all strictly monotonic transformations of the outcome if and only if a stronger ‘parallel trends’-type condition holds for the cumulative distribution function of untreated potential outcomes.” —— 声称给出了第一个充要条件。

被淡化或回避的竞争路线： - Changes-in-changes模型（Athey & Imbens, 2006）实际上已经提供了一种对函数形式不敏感的识别策略（它不依赖平行趋势假设），但作者只在引言中将其作为“相关文献”提及，未深入讨论其与本文的关系。如果研究者采用changes-in-changes，那么平行趋势对函数形式的敏感性就变得无关紧要——这是一个潜在的“替代方案”而非“需要解决的问题”。 - 分位数DiD方法（Callaway & Li, 2019）同样绕开了函数形式问题，但作者也未将其作为竞争路线讨论。

什么明显该被引/该存在、却没出现在intro里？ - 敏感性分析的一般框架（如Manski & Pepper, 2015的bounded-variation假设）——这些方法提供了处理识别假设不确定性的通用工具，但本文未将其与自己的falsification test进行对比。 - 非参数DiD方法（如Abadie, 2005的条件DiD）——这些方法在协变量条件下放松平行趋势假设，但本文未讨论协变量是否能缓解函数形式敏感性问题。

张力¶

未见明显对立引用。所有被引工作都承认平行趋势对函数形式敏感是一个真实问题，只是缺乏理论刻画。唯一的潜在张力在于：Athey & Imbens (2006) 的changes-in-changes模型实际上暗示了“如果研究者愿意接受更强的分布假设，函数形式问题可以被绕开”，而本文则坚持在平行趋势框架内解决问题。这不是矛盾，而是不同研究策略的选择。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号： - \(Y\): 结果变量（outcome），连续型随机变量。 - \(D\): 处理变量（treatment），二值，\(D=1\)表示处理组，\(D=0\)表示对照组。 - \(T\): 时间变量（time），二值，\(T=0\)表示处理前（pre-treatment），\(T=1\)表示处理后（post-treatment）。 - \(Y(0)\): 未处理潜在结果（untreated potential outcome）——如果个体未接受处理，会观测到的结果。 - \(Y(1)\): 处理潜在结果（treated potential outcome）——如果个体接受处理，会观测到的结果。 - \(Y = D \cdot Y(1) + (1-D) \cdot Y(0)\): 可观测结果（consistency）。 - \(F_{Y(0)|D,T}\): 给定\(D\)和\(T\)下\(Y(0)\)的条件累积分布函数（CDF）。 - \(F_{Y(0)|D,T}^{-1}\): 对应的分位数函数。 - \(g\): 严格单调递增变换（strictly monotonic transformation），如\(g(y) = \log(y)\)或\(g(y) = y^2\)。 - \(\Delta_{ATT}\): 处理组平均处理效应（ATT），定义为\(\mathbb{E}[Y(1)-Y(0)|D=1]\)。

模型：标准两期两组的DiD设定。数据生成机制如下： - 每个个体\(i\)属于处理组（\(D_i=1\)）或对照组（\(D_i=0\)）。 - 每个个体在时间\(T=0\)（处理前）和\(T=1\)（处理后）被观测。 - 处理组在\(T=1\)时接受处理，对照组始终未接受处理。 - 未处理潜在结果\(Y(0)\)可能依赖于\(D\)和\(T\)（即存在选择偏差和时间趋势）。 - 平行趋势假设（PT）：\(\mathbb{E}[Y(0)|D=1, T=1] - \mathbb{E}[Y(0)|D=1, T=0] = \mathbb{E}[Y(0)|D=0, T=1] - \mathbb{E}[Y(0)|D=0, T=0]\)。即，处理组和对照组的未处理潜在结果的平均变化趋势相同。

可观测数据：研究者观测到\((Y, D, T)\)的独立同分布样本。具体来说： - 对于处理组（\(D=1\)）：在\(T=0\)时观测到\(Y(0)\)（因为尚未处理），在\(T=1\)时观测到\(Y(1)\)（因为已处理）。 - 对于对照组（\(D=0\)）：在两个时间点都观测到\(Y(0)\)（因为从未处理）。 - 关键不可观测量：处理组在\(T=1\)时的\(Y(0)\)（反事实）——这是DiD需要识别的核心缺失数据。平行趋势假设正是用来识别这个反事实均值的。

第二步：讲最小内核¶

最简特例：假设结果变量\(Y\)是二值的（binary），取值为0或1。在这个特例下，所有严格单调变换\(g\)都退化为恒等变换（因为二值变量只有两种取值，任何严格单调变换都只是重新标记0和1，不影响排序），因此平行趋势假设对函数形式自动不敏感。这个特例虽然平凡，但揭示了本文核心思想的雏形：当结果变量的分布结构足够简单时，函数形式问题消失。

核心数学困难：现在考虑一般连续结果变量。本文要回答的问题是：在什么条件下，平行趋势假设对所有严格单调变换\(g\)都成立？ 即：

\[\forall \text{严格单调递增 } g, \quad \mathbb{E}[g(Y(0))|D=1, T=1] - \mathbb{E}[g(Y(0))|D=1, T=0] = \mathbb{E}[g(Y(0))|D=0, T=1] - \mathbb{E}[g(Y(0))|D=0, T=0]\]

关键想法：作者注意到，如果PT对所有\(g\)成立，那么它特别地对“示性函数”\(g(y) = \mathbf{1}\{y \leq q\}\)（对任意分位数\(q\)）也成立。但示性函数不是严格单调的，所以需要更精细的论证。作者的核心洞察是：PT对所有严格单调变换成立，等价于PT对“分位数示性函数”的某种平滑版本成立，而这进一步等价于未处理潜在结果的CDF满足一个更强的平行趋势条件。

最小内核的数学表述：去掉所有为一般性服务的技术假设后，本文的核心命题退化为：

定理（简化版）：平行趋势假设对所有严格单调变换\(g\)成立，当且仅当对于所有\(y \in \mathbb{R}\)，
\[F_{Y(0)|D=1, T=1}(y) - F_{Y(0)|D=1, T=0}(y) = F_{Y(0)|D=0, T=1}(y) - F_{Y(0)|D=0, T=0}(y)\]
即，未处理潜在结果的CDF在处理组和对照组之间的时间变化相同。

为什么这个条件更强：原始的PT只要求均值层面的平行趋势（一阶矩）。CDF层面的平行趋势要求整个分布的平行趋势——这意味着处理组和对照组的未处理潜在结果的分布随时间的变化方式完全相同。这比均值平行趋势强得多，因为它隐含了所有矩（均值、方差、偏度等）的平行趋势。

这个条件等价于什么：作者进一步证明，CDF层面的平行趋势等价于：总体可以分解为两个子组—— - 子组A：处理近似随机分配（即\(Y(0) \perp D\)在给定时间后成立），且 - 子组B：未处理潜在结果的分布随时间稳定（即\(Y(0)\)的分布在\(T=0\)和\(T=1\)之间不变）。这个分解是“本质上唯一”的（即，如果存在一个分解，那么它几乎必然唯一）。

为什么这个分解是直观的：如果处理是随机分配的，那么平行趋势自动成立（因为处理组和对照组在分布上可比）。如果分布随时间稳定，那么平行趋势也自动成立（因为没有时间趋势需要调整）。CDF层面的平行趋势要求这两种情况之一（或它们的混合）必须成立——没有其他可能性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了双重差分（DiD）中平行趋势假设对结果变量函数形式（严格单调变换）的敏感性，给出了平行趋势对所有单调变换都成立的充要条件。
核心工具/方法：利用累积分布函数（CDF）的平行趋势条件、总体分解定理、以及基于这些条件的falsification test。
主要结论：平行趋势对所有严格单调变换成立，当且仅当未处理潜在结果的CDF满足平行趋势条件；该条件等价于总体可分解为“处理近似随机分配”和“分布随时间稳定”两个子组；基于此构造的falsification test可以检验“平行趋势对函数形式不敏感”这一原假设。

关键设定与假设¶

完整设定（在第二节最小记号的基础上补全）： - 两期两组：\(T \in \{0,1\}\), \(D \in \{0,1\}\)。处理组在\(T=1\)时接受处理。 - 一致性：\(Y = D \cdot Y(1) + (1-D) \cdot Y(0)\)。 - 无预期效应（no anticipation）：对于\(D=1\)的个体，\(Y(0)\)在\(T=0\)时的分布与\(T=1\)时的反事实分布相同（即，处理组在\(T=0\)时未受处理预期影响）。这是标准假设。 - 重叠（overlap）：\(0 < \mathbb{P}(D=1|T) < 1\)，即每个时间点都有处理组和对照组个体。

关键定义： - 平行趋势（PT）：\(\mathbb{E}[Y(0)|D=1, T=1] - \mathbb{E}[Y(0)|D=1, T=0] = \mathbb{E}[Y(0)|D=0, T=1] - \mathbb{E}[Y(0)|D=0, T=0]\)。 - 对函数形式不敏感的平行趋势（PT-robust）：对所有严格单调递增的\(g\)，PT对\(g(Y)\)成立。 - CDF平行趋势（CDF-PT）：对所有\(y \in \mathbb{R}\)，\(F_{Y(0)|D=1, T=1}(y) - F_{Y(0)|D=1, T=0}(y) = F_{Y(0)|D=0, T=1}(y) - F_{Y(0)|D=0, T=0}(y)\)。

相比已有文献的强化/放宽： - 相比标准DiD（仅假设均值PT），本文的CDF-PT条件更强（因为它要求整个分布的平行趋势）。 - 相比changes-in-changes（Athey & Imbens, 2006），本文不假设\(Y(0)\)的分布在处理组和对照组之间可比（changes-in-changes假设\(F_{Y(0)|D=1, T=0} = F_{Y(0)|D=0, T=0}\)的某种变换版本），而是直接检验PT的稳健性。 - 相比分位数DiD（Callaway & Li, 2019），本文不引入copula稳定性假设，而是给出PT对所有变换成立的充要条件。

主要结果¶

定理1（充要条件）：平行趋势对所有严格单调变换\(g\)成立（PT-robust），当且仅当CDF-PT成立。

直觉：如果PT对所有\(g\)成立，那么它特别地对“近似示性函数”的平滑版本成立，取极限后得到CDF-PT。反之，如果CDF-PT成立，那么对任意\(g\)，可以通过积分变换（\(\mathbb{E}[g(Y(0))] = \int g(y) dF(y)\)）和分部积分，将\(g(Y)\)的PT转化为CDF-PT的加权版本，从而证明PT对\(g\)成立。
必要条件：\(Y(0)\)的支撑集是连续的（或至少足够丰富，使得示性函数可以被严格单调函数逼近）。作者在附录中讨论了离散支撑集的修正。
解决的技术难点：从“对所有\(g\)成立”到“对示性函数成立”的极限论证需要小心处理——示性函数不是严格单调的，所以不能直接代入。作者通过构造严格单调的平滑函数序列逼近示性函数，并利用控制收敛定理取极限。

定理2（总体分解）：CDF-PT成立，当且仅当存在一个分解\(\pi \in [0,1]\)，使得： - 以概率\(\pi\)，个体属于“随机分配子组”：\(Y(0) \perp D\)（给定\(T\)后），且 - 以概率\(1-\pi\)，个体属于“稳定分布子组”：\(F_{Y(0)|T=0} = F_{Y(0)|T=1}\)（即分布随时间不变）。这个分解是“本质上唯一”的（即，如果存在两个分解，它们几乎必然相同）。

直觉：CDF-PT是一个线性条件（对每个\(y\)，处理组和对照组的CDF变化之差为零）。这个线性条件意味着处理组和对照组的联合分布\((Y(0), T)\)之间存在某种“可加性”。作者利用测度论中的分解定理（类似于Lebesgue分解），将联合分布分解为两个部分的凸组合：一个部分中\(Y(0)\)与\(D\)独立（随机分配），另一个部分中\(Y(0)\)与\(T\)独立（时间稳定）。
解决的技术难点：证明分解的“本质唯一性”需要处理测度论中的零测集问题。作者使用Radon-Nikodym导数来构造分解，并证明如果存在两个分解，它们必须在几乎必然意义下相等。

定理3（falsification test）：基于定理2的分解，作者构造了一个检验“PT-robust”原假设的falsification test。检验统计量基于CDF-PT条件的样本模拟：

\[\hat{T} = \sup_{y} \left| \hat{F}_{Y(0)|D=1, T=1}(y) - \hat{F}_{Y(0)|D=1, T=0}(y) - \hat{F}_{Y(0)|D=0, T=1}(y) + \hat{F}_{Y(0)|D=0, T=0}(y) \right|\]

其中\(\hat{F}\)是经验CDF。在原假设下，这个统计量应接近0。作者推导了检验的渐近分布（基于经验过程理论），并给出了临界值的bootstrap计算方法。

直觉：如果PT-robust成立，那么CDF-PT成立，因此样本CDF的差异应接近于0。如果PT-robust不成立，那么CDF-PT不成立，因此样本CDF的差异会偏离0。检验的功效取决于偏离的大小和样本量。
必要条件：需要\(Y(0)\)在四个子组（\(D \times T\)）中都有足够的样本量来估计CDF。作者建议每个子组至少30个观测。
解决的技术难点：经验CDF的差是一个经验过程，其渐近分布依赖于未知的协方差结构。作者使用bootstrap来近似这个分布，并证明了bootstrap的一致性（需要Donsker定理的条件）。

证明路线与技术技巧¶

整体路线（3-5步逻辑主干）：

从PT-robust到CDF-PT：假设PT对所有严格单调\(g\)成立。构造一个严格单调的平滑函数序列\(g_n\)，使得\(g_n(y) \to \mathbf{1}\{y \leq q\}\)（逐点收敛）。对每个\(g_n\)应用PT，然后取极限（利用控制收敛定理），得到CDF-PT对示性函数成立。由于\(q\)任意，CDF-PT对所有\(y\)成立。
从CDF-PT到PT-robust：假设CDF-PT成立。对任意严格单调\(g\)，利用积分变换：
\[\mathbb{E}[g(Y(0))|D,T] = \int g(y) dF_{Y(0)|D,T}(y)\]
通过分部积分，将\(\mathbb{E}[g(Y(0))|D=1, T=1] - \mathbb{E}[g(Y(0))|D=1, T=0]\)表示为\(\int g'(y) [F_{Y(0)|D=1, T=1}(y) - F_{Y(0)|D=1, T=0}(y)] dy\)（假设\(g\)可微）。利用CDF-PT，这个差等于\(\int g'(y) [F_{Y(0)|D=0, T=1}(y) - F_{Y(0)|D=0, T=0}(y)] dy\)，再反向分部积分得到\(\mathbb{E}[g(Y(0))|D=0, T=1] - \mathbb{E}[g(Y(0))|D=0, T=0]\)。对于不可微的\(g\)，用可微函数逼近。
从CDF-PT到总体分解：定义测度\(\mu_{d,t}(A) = \mathbb{P}(Y(0) \in A | D=d, T=t)\)。CDF-PT意味着\(\mu_{1,1} - \mu_{1,0} = \mu_{0,1} - \mu_{0,0}\)（作为带符号测度）。定义\(\nu = \mu_{1,1} - \mu_{1,0} = \mu_{0,1} - \mu_{0,0}\)。如果\(\nu = 0\)（零测度），则\(Y(0)\)的分布不随时间变化（稳定分布子组）。如果\(\nu \neq 0\)，则利用Radon-Nikodym定理，将\(\mu_{d,t}\)分解为\(\nu\)的绝对连续部分和奇异部分，从而构造出随机分配子组。
falsification test的构造：基于经验CDF构造检验统计量\(\hat{T}\)。在原假设（CDF-PT）下，\(\hat{T}\)收敛到0。在备择假设下，\(\hat{T}\)收敛到某个正数。使用bootstrap计算临界值。

关键跳跃点： - 从“对所有\(g\)成立”到“对示性函数成立”的极限论证：这是最吃功夫的引理。作者需要证明，如果PT对所有严格单调\(g\)成立，那么它也对示性函数（的平滑逼近）成立。难点在于示性函数不是严格单调的，所以不能直接代入。作者通过构造一个严格单调的平滑函数序列（如逻辑斯蒂函数的缩放版本）来逼近示性函数，并利用控制收敛定理交换极限和期望。 - 总体分解的唯一性：证明分解的“本质唯一性”需要处理测度论中的零测集问题。作者使用Radon-Nikodym导数来构造分解，并证明如果存在两个分解，它们必须在几乎必然意义下相同。这需要用到测度论中的Hahn-Jordan分解定理。

技术技巧点名： - 经验过程理论（empirical process theory）：用于推导falsification test统计量的渐近分布。具体来说，经验CDF的差是一个经验过程，其弱收敛需要Donsker定理的条件（如\(Y(0)\)的分布是连续的）。 - bootstrap：用于计算检验的临界值。作者使用非参数bootstrap（重抽样观测），并证明bootstrap的一致性（需要经验过程理论中的bootstrap一致性结果）。 - 控制收敛定理（dominated convergence theorem）：用于交换极限和期望，从平滑函数逼近示性函数。 - 分部积分（integration by parts）：用于将\(\mathbb{E}[g(Y(0))]\)表示为CDF的积分，从而将PT-robust转化为CDF-PT。 - Radon-Nikodym定理：用于构造总体分解，将联合分布分解为绝对连续部分和奇异部分。 - Hahn-Jordan分解：用于证明分解的唯一性。

真实例子与应用¶

使用的数据：Cengiz et al. (2019) 的美国州级最低工资数据。数据包含1979-2016年间138个重要的州级最低工资变化，以及按25美分工资区间划分的就业人口比率（employment-to-population ratio in wage bins）。

怎么把本文方法用上去： 1. 将每个最低工资变化视为一个DiD设计：处理组是最低工资上涨的州，对照组是未上涨的州。结果变量是特定工资区间的就业人口比率。 2. 对每个工资区间\(w\)，检验平行趋势是否对函数形式不敏感。具体来说，检验就业人口比率（原始水平）和其对数变换是否都满足平行趋势。 3. 使用本文的falsification test，检验CDF-PT条件是否成立。如果检验不拒绝原假设，则说明平行趋势对函数形式不敏感，研究者可以放心使用任何单调变换。

得到什么结果： - 对于大多数工资区间，falsification test不拒绝原假设（即，CDF-PT条件成立），说明平行趋势对函数形式不敏感。 - 但对于某些工资区间（特别是接近最低工资的区间），检验拒绝原假设，说明平行趋势依赖于函数形式。在这些区间，使用原始水平和对数变换可能得到不同的结论。 - 作者进一步展示了，在检验拒绝的区间，使用原始水平和对数变换的DiD估计确实存在显著差异，验证了理论预测。

这个例子想说明什么： - 验证理论：falsification test能够检测出平行趋势对函数形式敏感的情况，且与实际的估计差异一致。 - 展示实用性：研究者可以在进行DiD分析前，先运行本文的falsification test，以判断是否需要担心函数形式问题。如果检验不拒绝，可以放心使用任何单调变换；如果检验拒绝，则需要进一步分析（如选择“最合理”的函数形式，或采用changes-in-changes等替代方法）。 - 展示相对baseline的优势：传统的预趋势检验（如事件研究图）无法检测函数形式敏感性，而本文的检验可以。

🔎 结论是否比证明窄¶

是。具体来说： - 定理1的“当且仅当”：证明中假设\(Y(0)\)的支撑集是连续的（或至少足够丰富），以便用平滑函数逼近示性函数。如果\(Y(0)\)是离散的（如计数数据），则“对所有严格单调\(g\)成立”可能比CDF-PT更强（因为离散支撑集上，严格单调函数的类可能不够丰富来逼近示性函数）。作者在附录中讨论了离散情况，但正文的定理陈述未明确限定支撑集条件。建议研究者核实附录中的离散情况处理。 - 定理2的“本质上唯一”：证明中使用了Radon-Nikodym定理，这要求测度是\(\sigma\)-有限的。在无限支撑集上，这个条件自动满足，但在某些退化情况下（如\(Y(0)\)的分布有原子点），分解的唯一性可能需要额外条件。建议研究者检查退化情况下的反例。 - falsification test的渐近性质：证明中假设了\(Y(0)\)的分布是连续的（以便经验CDF的弱收敛成立）。如果\(Y(0)\)是离散的，检验统计量的渐近分布可能不同。作者在附录中讨论了离散情况的修正，但正文的检验程序未明确说明如何处理离散数据。建议研究者核实离散数据的检验程序。

四、开放问题¶

多期/多组DiD的推广：本文的充要条件和falsification test仅适用于两期两组设定。在多期（staggered DiD）或多组（多个处理组）设定下，平行趋势对函数形式的敏感性如何刻画？扎根点：本文的定理1和2都依赖于两期两组的对称结构，推广到多期需要处理处理时间异质性和多个对照组的问题。Roth et al. (2022) 的综述指出这是DiD文献的前沿方向。
协变量条件下的推广：本文未考虑协变量\(X\)。在实际应用中，平行趋势假设通常是在条件于协变量后成立的（conditional parallel trends）。在条件设定下，本文的充要条件如何修改？扎根点：本文的引言提到“Our results thus have implications for the conditional parallel trends assumptions considered in, for example, Abadie (2005) and Sant’Anna and Zhao (2020)”，但未给出具体结果。条件CDF的平行趋势条件可能涉及非参数估计，检验的渐近理论会更复杂。
检验功效的有限样本性质：本文的falsification test是渐近有效的，但有限样本下的功效如何？特别是当CDF-PT条件“几乎”成立（但严格不成立）时，检验能否检测出微小偏离？扎根点：本文的模拟实验（如果有）可能展示了有限样本性质，但正文未给出详细的功效分析。Roth (2022) 关于预趋势检验低功效的警告同样适用于本文的检验——研究者需要知道在什么偏离程度下检验才有足够的功效。
与changes-in-changes模型的比较：本文的falsification test拒绝了PT-robust后，研究者应该怎么办？一个自然的替代方案是采用changes-in-changes模型（Athey & Imbens, 2006），该模型对函数形式不敏感。但changes-in-changes需要更强的分布假设。是否存在一个“中间路线”——在PT-robust被拒绝但changes-in-changes假设可能成立的情况下，如何选择识别策略？扎根点：本文的引言将changes-in-changes列为相关文献，但未讨论其与本文falsification test的衔接。这是一个值得探索的“决策树”问题。

Maintained by 陈星宇 · Homepage · Source on GitHub