跳转至

Difference-in-Differences Models in the Presence of Time-Varying Mediators

作者: Kyunghoon Ban, Zhengrun Chen, Désiré Kédagni
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2608.18375

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是存在时变中介变量（time-varying mediator）时的双重差分（DiD）识别问题。根本问题是：当二元处理（treatment）改变一个内生、时变的中介变量，而该中介又影响结局时，如何从观测数据中识别出处理的直接效应（不通过中介的路径）和间接效应（通过中介的路径）？该方向当前成熟度：已有若干工作处理DiD中的中介分析，但大多限于二元中介、线性设定或时不变中介；本文试图填补“允许连续/离散/混合、时变、内生中介”的缺口。

发展脉络（history）

  • 奠基工作：因果中介分析的经典框架由 Robins and Greenland (1992) 和 Pearl (2001) 建立，定义了自然直接效应和间接效应，并指出中介内生性是根本障碍。Imai, Keele, and Yamamoto (2010) 提出顺序可忽略性（sequential ignorability）假设，在非参数下识别平均因果中介效应（ACME），并给出敏感性分析。该框架成为后续中介分析的标准起点，但要求处理与中介在给定协变量下条件独立，这在DiD设定中可能因未观测固定效应而违反。
  • 主要进展：Deuchert, Huber, and Schelker (2019) 首次将DiD引入中介分析，针对二元中介，利用主分层（principal strata）识别直接和间接效应，但要求效应同质性假设。Hsia et al. (2025) 在共同趋势假设和线性/可加设定下发展DiD中介分析，但局限于线性模型。Schenk (2024) 研究二元时变中介下的DiD直接和间接效应，其识别依赖于对结局和中介的平行趋势假设以及处理与未处理中介的均值独立性。Huber and Oberhänsli (2026) 提出基于条件平行趋势和双/去偏机器学习的DiD中介框架，但其中介是时不变的。
  • 当前frontier：同时处理连续/离散/混合、时变、内生的中介，且不要求无条件平行趋势，是尚未解决的挑战。此外，Caetano and Callaway (2024) 指出在条件平行趋势下，将内生时变协变量作为控制变量纳入TWFE回归会引入“隐藏线性偏误”，但该文未将其视为中介。
  • 本文的位置：作者声称其框架允许中介为连续、离散或混合，时变且受处理影响，识别直接效应时不要求无条件平行趋势，并扩展到多元中介、非线性DiD和多期处理。估计采用Sant’Anna and Zhao (2020)的双稳健DiD估计量。

子线索聚类

  1. 经典因果中介分析（Imai et al. 2010; Pearl 2001; Robins & Greenland 1992）：基于顺序可忽略性或交叉世界假设，通常要求处理与中介在给定协变量下独立，未利用面板数据的个体内变化。
  2. DiD中的中介分析（Deuchert et al. 2019; Hsia et al. 2025; Schenk 2024; Huber & Oberhänsli 2026）：利用DiD结构放松某些假设，但各有局限（二元中介、线性、时不变中介等）。
  3. TWFE与内生时变协变量（de Chaisemartin & D’Haultfœuille 2020; Callaway & Sant’Anna 2021; Caetano & Callaway 2024）：揭示TWFE在处理异质性或条件平行趋势下的偏误，但未明确将时变协变量视为中介。
  4. 非线性DiD（Athey & Imbens 2006; Wooldridge 2023; Kim & Wooldridge 2025）：通过分布假设而非均值平行趋势识别反事实分布，本文将其扩展至中介路径条件。

这个方向在追问的核心问题

  1. 如何在不假设无条件平行趋势的情况下识别直接效应？ 当处理影响中介、中介影响结局时，平行趋势通常被违反。
  2. 如何允许中介是连续/混合且时变？ 现有DiD中介方法多限于二元或时不变中介。
  3. 如何识别间接效应？ 需要额外假设（如稳定平均中介效应），且该假设是否合理？
  4. 如何扩展到多期处理、多元中介和非线性模型？ 实际应用中常见。

⚠️ 作者的framing

  • 作者把缺口frame成：现有DiD中介分析要么限于二元中介（Deuchert et al. 2019; Schenk 2024），要么要求线性/可加性（Hsia et al. 2025），要么中介时不变（Huber & Oberhänsli 2026）。本文通过“条件于观测到的中介路径”的DiD对比，识别直接效应，且不要求无条件平行趋势，从而填补这一缺口。
  • 被淡化或回避的竞争路线：Schenk (2024) 的二元时变中介方法被提及但未详细比较；Huber & Oberhänsli (2026) 的时不变中介设定被指出差异，但未讨论若中介时变但变化很小是否可近似。作者也未讨论当处理与中介存在交互作用时（如θ_i依赖于M）的识别，尽管模型允许θ_i依赖于M路径，但识别结果仍成立。
  • 什么明显该被引/该存在、却没出现在intro里？ 未见引用VanderWeele (2014) 的4-way分解，该分解在因果中介分析中常用，但可能因DiD设定不同而被忽略。此外，Robins (1986) 的g-computation公式也未出现，但可能因模型线性而无需。

张力

未见明显对立引用。各工作主要在假设强度、中介类型、线性/非线性上存在差异，而非矛盾结论。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \(i\)：个体索引，\(t\in\{0,1\}\)：时期（0=基线，1=处理后）。 - \(D_i\in\{0,1\}\)：处理组指示（\(D_i=1\)表示处理组，\(D_i=0\)表示对照组）。假设基线期无人接受处理（\(D_{i0}=0\) a.s.）。 - \(Y_{it}\)：结局变量（可观测）。 - \(M_{it}\)：中介变量（可观测，可连续、离散或混合）。 - \(X_i\)：时不变外生协变量（可观测，可加入条件）。 - \(\lambda_i, \gamma_i\)：个体固定效应（不可观测），分别出现在结局方程和中介方程。 - \(\eta_t, \delta_t\)：时间固定效应（非随机）。 - \(U_{it}, V_{it}\)：时变冲击（不可观测）。 - \(\theta_i\)：处理的直接效应（个体异质，可依赖于中介路径）。 - \(\alpha_i\)：处理对中介的效应（个体异质）。 - \(\beta_{it}\)：中介对结局的效应（个体异质且时变）。 - \(\varepsilon_i\)：处理选择方程中的额外不可观测冲击。 - 潜在结果：\(M_{it}(d)\) 为处理\(d\)下的潜在中介；\(Y_{it}(d,m)\) 为处理\(d\)、中介\(m\)下的潜在结局；\(Y_{it}(d) \equiv Y_{it}(d, M_{it}(d))\)。

模型（线性结构模型，两期两组的简化版）：

\[\begin{aligned} Y_{it} &= \theta_i D_i + \beta_{it} M_{it} + \lambda_i + \eta_t + U_{it}, \\ M_{it} &= \alpha_i D_i + \gamma_i + \delta_t + V_{it}, \\ D_i &= h(\lambda_i, \gamma_i, \varepsilon_i), \end{aligned}\]
其中\(h\)为未知函数。该模型假设： - 无预期效应（no anticipation）：\(Y_{i0}(1)=Y_{i0}(0)\)，\(M_{i0}(1)=M_{i0}(0)\)。 - 直接效应\(\theta_i\)可依赖于中介路径（即\(\theta_i = \tilde{\theta}_i(M_{i0}, M_{i1})\)）。 - 固定效应\(\lambda_i\)与\(\gamma_i\)可任意相关（包括相等）。 - 处理选择依赖于\(\lambda_i, \gamma_i, \varepsilon_i\)，允许基于未观测异质性的选择。

可观测数据：\((Y_{i0}, Y_{i1}, M_{i0}, M_{i1}, D_i)\)，以及可选的时不变协变量\(X_i\)。不可观测：\(\lambda_i, \gamma_i, \theta_i, \alpha_i, \beta_{it}, U_{it}, V_{it}, \varepsilon_i\)。

想要但观测不到的量：潜在中介\(M_{it}(d)\)（当\(d\neq D_i\)时）、潜在结局\(Y_{it}(d,m)\)（当\((d,m)\)不是事实组合时）、交叉世界潜在结局\(Y_{it}(d, M_{it}(d'))\)。

第二步：最小内核

最简特例：假设\(\beta_{it}\)不随时间变化（即\(\beta_{i1}=\beta_{i0}=\beta_i\)），且\(\theta_i\)为常数（\(\theta_i=\theta\)）。此时模型简化为：

\[Y_{it} = \theta D_i + \beta_i M_{it} + \lambda_i + \eta_t + U_{it}, \quad M_{it} = \alpha_i D_i + \gamma_i + \delta_t + V_{it}.\]
核心问题：如何识别\(\theta\)（平均直接效应）？

常规DiD失败：计算\(\tau_{DiD} = E[\Delta Y_i | D_i=1] - E[\Delta Y_i | D_i=0]\)，其中\(\Delta Y_i = Y_{i1}-Y_{i0}\)。代入模型得：

\[\tau_{DiD} = \theta + E[\beta_i \alpha_i | D_i=1] + E[\beta_i] \big( E[\gamma_i|D_i=1] - E[\gamma_i|D_i=0] \big).\]
最后一项是平行趋势偏误（因为\(\beta_i\)不随时间变，但\(\gamma_i\)与处理相关导致趋势不同）。因此\(\tau_{DiD}\)混合了直接效应、间接效应和偏误。

TWFE控制中介失败：回归\(Y_{it} = \pi_1 D_i + \pi_2 M_{it} + \phi_i + \zeta_t + \xi_{it}\)，其中\(\phi_i\)为个体固定效应，\(\zeta_t\)为时间固定效应。Claim 1表明\(\pi_1\)不等于\(\theta\)，而是包含额外偏误项（依赖于\(\beta_i\)的时变性、\(\alpha_i\)与\(\theta_i\)的相关性等）。

路径条件DiD成功：考虑条件于观测到的中介路径\((M_{i0}=m_0, M_{i1}=m_1)\)的DiD对比：

\[\tau_{DiD}(m_0,m_1) = E[\Delta Y_i | D_i=1, M_{i0}=m_0, M_{i1}=m_1] - E[\Delta Y_i | D_i=0, M_{i0}=m_0, M_{i1}=m_1].\]
在Assumptions 1-2下（详见第三节），可证明：
\[\tau_{DiD}(m_0,m_1) = E[\theta_i | D_i=1, M_{i0}=m_0, M_{i1}=m_1].\]
直觉：条件于中介路径后，处理组和对照组的结局变化差异中，中介路径的贡献被“固定”，剩下的差异仅来自直接效应。注意，这里并不要求条件平行趋势成立——事实上，条件于事实中介路径时，平行趋势通常被违反，但通过模型假设（特别是冲击独立性），条件DiD仍能识别直接效应。

平均直接效应：对处理组的中介路径分布积分：

\[ADTT = E[\theta_i | D_i=1] = \int \tau_{DiD}(m_0,m_1) \, dF_{M_{i0},M_{i1}|D_i=1}(m_0,m_1).\]

最小内核总结：在\(\beta_{it}\)时不变、\(\theta_i\)常数的特例下，路径条件DiD直接给出\(\theta\)。一般情形下，\(\beta_{it}\)时变导致平行趋势偏误，但路径条件DiD仍识别条件平均直接效应，因为偏误项在条件于中介路径后消失（依赖于冲击独立性假设）。这就是整篇论文的核心数学思想。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在存在时变、内生中介变量的DiD设计中，如何识别处理的平均直接效应（ADTT）、平均间接效应（AITT）以及平均中介效应。
  2. 核心工具/方法：提出“中介路径条件DiD”识别策略——条件于观测到的完整中介路径\((M_{i0}, M_{i1})\)构造DiD对比，再对处理组路径分布积分得到ADTT；间接效应通过稳定平均中介效应假设从总效应中减去直接效应得到；估计采用Sant’Anna and Zhao (2020)的双稳健DiD估计量。
  3. 主要结论：常规DiD估计量和控制中介的TWFE回归均不能恢复直接效应；路径条件DiD在弱假设下识别ADTT，且不要求无条件平行趋势；间接效应识别需要额外假设（稳定平均中介效应）；框架可扩展至多元中介、非线性DiD和多期处理。

关键设定与假设

  • Assumption 1 (Exogenous fixed effects)：\((\lambda_i, \gamma_i, \varepsilon_i) \perp ( \{V_{it}, U_{it}, \beta_{it}\}_{t=0,1}, \alpha_i )\)。即处理选择中的不可观测与中介/结局方程中的冲击和系数独立（除直接效应\(\theta_i\)外）。这允许选择基于固定效应，但不允许基于时变冲击。
  • Assumption 2 (Conditional independence)：\((\{V_{it}\}_{t=0,1}, \alpha_i) \perp (\{U_{it}, \beta_{it}\}_{t=0,1}) \mid (\lambda_i, \gamma_i, \varepsilon_i)\)。即给定选择不可观测，中介方程的冲击与结局方程的冲击独立。这类似于顺序可忽略性的DiD版本，排除了时变混杂。
  • Assumption 3 (Mediator path overlap)：\(0 < P(D_i=1 | M_{i0}, M_{i1}) < 1\) a.s.，确保路径条件DiD有定义。
  • Assumption 4 (Stable average mediator effect)：\(E[\beta_{i1}] = E[\beta_{i0}]\)。用于识别间接效应，要求中介对结局的平均效应在两期相等。
  • Assumption 5-7：潜在结果框架下的条件平行趋势、条件正交性、无预期效应，与线性模型假设对应。
  • 相比已有文献：相比Imai et al. (2010)的顺序可忽略性，本文允许处理选择基于未观测固定效应；相比Deuchert et al. (2019)，本文允许连续/混合中介；相比Schenk (2024)，本文不要求处理与未处理中介均值独立；相比Huber & Oberhänsli (2026)，本文允许中介时变。

主要结果

  • Proposition 1 (Identification of direct effect)：在Assumptions 1-3下，\(CADTT(m_0,m_1) = \tau_{DiD}(m_0,m_1)\)，且\(ADTT = E[\tau_{DiD}(M_{i0},M_{i1}) | D_i=1]\)。这是核心识别结果。
  • Proposition 2 (Identification of indirect effect)：在Assumptions 1-4下，若\(\alpha_{DiD} \neq 0\)，则\(E[\beta_{i1}] = (\tau_{DiD} - ADTT) / \alpha_{DiD}\)，进而\(AITT = E[\beta_{i1}] E[\alpha_i]\)。注意这里要求稳定平均中介效应和中介DiD非零。
  • Proposition 3 (Potential outcome version)：在潜在结果框架下，Assumptions 5-7蕴含Proposition 1的结果。
  • Proposition 4 (AITT under unconditional parallel trends)：若无条件平行趋势成立（Assumption 8），则\(AITT = \tau_{DiD} - ADTT\)。
  • Extensions：多元中介（Proposition 5）、非线性DiD（Proposition 6，识别反事实分布）、多期处理（Proposition 7，识别每期条件直接效应）。

证明路线与技术技巧

整体路线（以Proposition 1为例）： 1. 写出\(\tau_{DiD}(m_0,m_1)\)的定义，代入模型(2.1)的差分形式。 2. 利用Assumptions 1-2（特别是Lemma 1给出的独立性），将条件期望中的冲击项分离：\(E[U_{i1}-U_{i0} | D_i=1, M_{i0}=m_0, M_{i1}=m_1] = E[U_{i1}-U_{i0}]\)（与条件无关），类似地\(\beta_{it}\)项也独立。 3. 因此，\(\tau_{DiD}(m_0,m_1)\)简化为\(E[\theta_i | D_i=1, M_{i0}=m_0, M_{i1}=m_1]\)，因为其他项在两组间抵消。 4. 积分得ADTT。

关键跳跃点：为什么条件于事实中介路径后，冲击的期望在两组间相等？关键在于Lemma 1：\((U_{it}, \beta_{it})\)与\((V_{it}, \alpha_i, \lambda_i, \gamma_i, \varepsilon_i)\)独立。而\(M_{i0}, M_{i1}\)是\(\gamma_i, V_{it}, \alpha_i, D_i\)的函数，因此给定\(M_{i0}, M_{i1}\)和\(D_i\)后，\((U_{it}, \beta_{it})\)的条件分布仍等于无条件分布（因为独立）。这使得两组间冲击期望相等。

技术技巧点名： - 线性模型下的矩条件：利用模型线性性写出期望表达式。 - Frisch-Waugh-Lovell定理：用于分解TWFE估计量的偏误（Claim 1），将\(\pi_1\)和\(\pi_2\)表示为协方差之比，再代入模型展开。 - 双稳健估计：采用Sant’Anna and Zhao (2020)的DR DiD估计量，结合倾向得分和结局回归，允许其中一个模型误设。 - Delta方法：用于间接效应和中介效应比的标准误计算。

真实例子与应用

铁路与市场准入（Section 6）： - 数据：Donaldson and Hornbeck (2016)的2,327个县，1870-1890年。处理\(D_o\)：县在1870年无铁路、1890年有铁路（730个处理县） vs 两年均无铁路（325个对照县）。结局\(Y_{ot}\)：农业土地和建筑价值对数。中介\(M_{ot}\)：基于成本的市场可达性对数。协变量\(X_o\)：经纬度。 - 方法应用：用DR DiD估计总效应、直接效应（条件于\((M_{o0}, M_{o1})\)）、中介效应。线性路径模型和二次路径模型作为敏感性分析。 - 结果：线性路径DR估计ADTT=0.429 (0.177)，AITT=-0.039 (0.141)（不显著）。而相同协变量下的TWFE直接效应为0.090 (0.175)（不显著）。说明TWFE低估了直接效应。间接效应为负但不精确，表明市场可达性未中介大部分效应。 - 例子想说明：验证理论——TWFE控制中介会得到有偏的直接效应，而路径条件DiD可纠正；展示实际差异。

禁酒令与农业生产力（Appendix C.1）： - 数据：Howard and Ornaghi (2021)的2,342个县，1900-1910年。处理：早期禁酒县 vs 晚期禁酒县。结局：农业生产力对数。中介：农场价值对数。 - 结果：线性路径DR估计ADTT=0.103 (0.046)，AITT=0.030 (0.019)（不显著）。TWFE直接效应0.065 (0.038)（10%显著）。说明直接效应稳健，间接效应证据弱。 - 例子想说明：在不同应用下，路径条件DiD与TWFE的差异，以及加入协变量后的敏感性。

🔎 结论是否比证明窄

  • 间接效应识别：Proposition 2要求Assumption 4（稳定平均中介效应）和\(\alpha_{DiD} \neq 0\)。作者在Section 7承认“relaxing this restriction would require additional sources of variation or partial identification arguments”，说明该假设是强约束，结论比证明窄——证明仅在此假设下成立，但实际应用中该假设可能不成立。
  • 非线性扩展：Proposition 6识别的是反事实分布，但仅适用于连续且严格单调的\(g_t\)，且需要支持条件。作者未给出平均直接效应的显式表达式，仅给出分布识别。因此，非线性下的ADTT识别可能比线性情形更弱。
  • 多期处理：Proposition 7假设无动态处理效应（过去和未来处理不影响当前结局和中介），这与de Chaisemartin and D’Haultfœuille (2020)类似，但实际中动态效应常见。作者在Section 5.3.2给出一个允许动态效应的模型，但识别依赖于更复杂的条件（如使用从未处理组作为对照），且未给出完整证明细节（仅给出识别公式）。

四、开放问题

  1. 放松稳定平均中介效应假设：间接效应识别依赖于\(E[\beta_{i1}]=E[\beta_{i0}]\)。若该假设不成立，如何利用额外变异（如多期数据、工具变量）或部分识别方法？扎根于Section 7：“relaxing this restriction would require additional sources of variation or partial identification arguments”。

  2. 允许时变混杂：Assumptions 1-2排除了时变混杂（即同时影响中介和结局的时变不可观测）。若存在此类混杂，路径条件DiD是否仍能识别？需要何种替代假设？扎根于Section 7：“the identifying assumptions considered here restrict the dependence between mediator shocks and outcome shocks”。

  3. 多期处理下的动态效应：Proposition 7假设无动态效应，但实际中处理历史可能影响当前结局和中介。Section 5.3.2给出一个允许动态效应的模型，但识别依赖于“从未处理组”作为对照，且未讨论处理组间异质性（如不同时期开始处理的组）。如何扩展到更一般的动态设定？扎根于Section 5.3.2的模型(5.7)和Assumption 12。

  4. 非线性模型下的间接效应识别：Proposition 6仅识别反事实分布，未给出平均间接效应的显式识别。在非线性DiD中，如何定义和识别自然间接效应？是否需要额外假设（如无交互作用）？扎根于Section 5.2的Proposition 6及其证明。

提醒：要确认这些是否真gap，可去读近期DiD中介分析（如Schenk 2024, Huber & Oberhänsli 2026）的intro，看它们是否也指向相同问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论