Evaluating the effects of policy interventions subject to early adoption: A case study of prescription drug monitoring programs and opioid dispensing¶

作者: Sarika Aggarwal, Brent A. Coull, Nima Hejazi, Rachel C. Nethery
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2608.23472

一、领域脉络与小综述¶

这个方向是什么¶

本文所处的子方向是纵向因果推断中的政策效应评估，具体聚焦于合成控制方法（SCM） 及其变体在交错采纳（staggered adoption） 设定下的应用。该方向要解决的根本问题是：当只有少数处理单元（如州、国家）在多个时间点逐步采纳一项政策时，如何利用面板数据中的控制单元构造一个可信的反事实，从而估计政策的因果效应。当前该方向的成熟度较高，已有多个被广泛使用的估计量（标准SCM、广义SCM、增强SCM）和配套软件，但对“预期效应”（anticipation effects）的系统性处理仍是一个开放缺口——尤其是本文聚焦的“早期采纳”（early adoption）这一特定形式。

发展脉络（history）¶

奠基工作：Abadie, Diamond & Hainmueller (2010) 提出标准SCM，通过构造控制单元的凸组合来匹配处理单元的处理前结果，从而估计单一处理单元的政策效应。该方法假设处理前结果不受政策影响（no-anticipation assumption），且处理单元需落在控制单元的凸包内。
主要进展：
Xu (2017) 提出广义SCM（generalized SCM），将反事实估计建模为交互固定效应（IFE）低秩因子模型，放宽了凸包条件并允许多个处理单元交错采纳。作者在引用中称其“accommodates multiple treated units with staggered treatment timing and does not require treated units to lie within the convex hull of the donor units”。
Ben-Michael, Feller & Rothstein (2021) 提出增强SCM（augmented SCM），在标准SCM权重基础上用结果模型（ridge regression）进行偏差校正，改善了处理前拟合不佳时的表现。作者指出该方法“provides a middle ground by combining standard SCM weighting with a regression-based bias correction”。
Doudchenko & Imbens (2016) 讨论了将SCM应用于残差化结果（先回归再构造合成控制）的思路，本文直接借鉴了这一思想。
当前frontier与本文位置：
对no-anticipation假设的放松是近期活跃方向。Gong (2021) 在DID框架下对预期效应给出了识别集（bounds）；Bilinski (2024) 也提出了类似bounds方法。但这些方法“may be difficult to justify in practice and could result in bounds too wide to be useful”。
Augustin, Gutknecht & Liu (2025) 在交错采纳DID中考虑了处理状态误分类和预期效应，提出了修正估计量和规范检验。但他们的设定聚焦于政策宣布驱动的预期，而非本文的早期采纳（资源可用但未强制）。
Piccininni, Tchetgen & Stensrud (2025) 指出标准no-anticipation假设存在歧义（混淆了政策实施与政策宣布），并提出了区分这两种干预的框架。但同样，其设定不直接适用于早期采纳场景。
本文的位置：在上述工作的基础上，本文首次在SCM框架下形式化早期采纳现象，将其与mandate效应分解，并提出两阶段估计程序。作者明确将自身定位为“a novel estimation procedure for using SCM in the presence of early adoption”。

子线索聚类¶

这些被引文献大致落在以下三条子线索上： 1. SCM方法论发展（Abadie 2010, Xu 2017, Ben-Michael 2021, Sun 2024）：核心关注如何构造更好的反事实——从凸组合到因子模型再到偏差校正。本文的第二阶段直接使用这些方法。 2. 预期效应的识别与处理（Gong 2021, Bilinski 2024, Augustin 2025, Piccininni 2025）：核心关注no-anticipation假设被违反时的识别策略——bounds、修正估计量、区分干预类型。本文的早期采纳是预期效应的一种具体形式，但作者强调其与政策宣布驱动的预期不同。 3. PDMP政策效应的实证评估（Puac-Polanco 2020, Wen 2019, Strickler 2019, Alpert 2024等）：大量应用研究试图估计PDMP对阿片类药物处方/配发的影响，但结果不一致。本文的动机正是这些实证研究未考虑早期采纳这一实施细节。

这个方向在追问的核心问题¶

如何系统性地处理no-anticipation假设的违反？ 当前主流方法（bounds、修正DID）各有局限：bounds可能太宽，修正DID的设定不覆盖早期采纳。
如何将预期效应分解为有政策含义的子成分？ 例如，早期采纳效应与mandate效应哪个更重要？这需要可识别的分解。
在SCM框架下，如何利用处理前“被污染”的数据来恢复未处理的反事实？ 这是本文直接面对的技术挑战。
已知瓶颈：现有SCM变体在早期采纳存在时，直接使用处理前数据会拟合到“被污染”的轨迹，导致反事实估计有偏。简单的丢弃处理前数据（如Antwi, Moriya & Simon 2013的做法）在数据有限时不可行。

⚠️ 作者的framing（必须明确标注成“这是作者的说法”）¶

作者把缺口frame成什么：作者将缺口frame为“现有SCM方法假设no-anticipation，但PDMP政策的实施特点（先自愿后强制）导致早期采纳，从而违反该假设”。因此，本文的“显然的下一步”是：形式化早期采纳，将其与mandate效应分解，并提出一个两阶段估计程序来分别估计它们。作者强调“Our approach builds on this idea by residualizing outcomes with respect to estimated early adoption effects rather than auxiliary covariates”，将自身定位为Doudchenko & Imbens (2016) 残差化思想的自然推广。
哪些竞争路线被他淡化或回避了：
Bounds方法（Gong 2021, Bilinski 2024）：作者仅用一句话提及，称其“may be difficult to justify in practice and could result in bounds too wide to be useful”。这回避了bounds方法在不需要强模型假设方面的优势——本文的IFE模型假设（Assumption 1）本身就很强。
Piccininni等人的框架：作者承认其“distinguishes these interventions”，但指出其聚焦于政策宣布而非早期采纳。这回避了一个问题：如果早期采纳本身可以被视为一种“政策宣布后的自愿行为”，那么Piccininni的框架是否也能覆盖？作者没有深入讨论。
什么明显该被引/该存在、却没出现在intro里？
Rambachan & Roth (2023) 关于平行趋势假设更可信检验的工作被作者在intro中提及（“highlight the lack of methodological guidance for addressing phenomena such as Ashenfelter’s dip”），但仅作为背景，未作为方法对比。该文提出的部分识别方法（在平行趋势可能被违反时）与本文的点识别方法形成对比，值得研究者去查：Rambachan & Roth的方法能否直接应用于早期采纳场景？如果能，其与本文的假设哪个更弱？
关于“交错采纳DID”的近期文献（如Callaway & Sant'Anna 2021, Goodman-Bacon 2021, Sun & Abraham 2021）未被引用。这些工作处理了交错采纳下处理效应异质性的识别问题，但同样假设no-anticipation。本文的早期采纳框架能否与这些DID方法结合？这是一个明显的未探索交叉点。

张力¶

未见明显对立引用。被引工作之间在“如何处理预期效应”上存在方法差异（bounds vs. 点识别 vs. 修正DID），但并非矛盾——它们适用于不同的设定（政策宣布 vs. 早期采纳）和不同的识别偏好（部分识别 vs. 强模型假设）。

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： - 单位与时间：i = 1, ..., N（单位，如州），t = 1, ..., T（时间，如季度）。 - 政策状态： - A_it ∈ {0,1}：单位i在时间t是否处于“资源可用但未强制”状态（RIP状态，即早期采纳期）。 - D_it ∈ {0,1}：单位i在时间t是否处于“强制合规”状态（MIP状态）。 - 关系：D_it = 1 ⇒ A_it = 1（强制前必须先有资源可用），且两者均为吸收状态（一旦进入不能退出）。 - 控制状态：A_it = 0, D_it = 0。 - 事件时间： - P_i：单位i进入RIP状态的时间（资源可用时间）。 - T_i：单位i进入MIP状态的时间（强制时间），T_i ≥ P_i；T_i = ∞表示从未进入MIP。 - G_it = min{max{0, t - P_i + 1}, T_i - P_i}：进入RIP后的相对时间，在进入MIP前截断（即MIP期间G_it固定为T_i - P_i）。 - E_it = max{0, t - T_i + 1}：进入MIP后的相对时间，控制期和RIP期E_it = 0。 - 潜在结果： - Y_it(g, e)：单位i在时间t，当它处于RIP状态g期、MIP状态e期时的潜在结果。 - 可观测结果：Y_it = Y_it(G_it, E_it)（SUTVA下）。 - 参数/estimand： - β(g)：早期采纳效应——进入RIPg期后的平均结果变化（相对于控制状态）。 - τ(e)：mandate效应——进入MIPe期后的额外平均结果变化（相对于仅RIP状态）。 - ∆(e) = β(T_i - P_i) + τ(e)：总政策效应。 - 模型参数： - µ_i：单位固定效应。 - δ_t：时间固定效应。 - f_t：r维潜因子向量（未观测）。 - λ_i：单位i的因子载荷（未观测）。 - X_it：可观测协变量。 - γ：协变量系数。 - ϵ_it：随机误差。

模型：数据生成机制由交互固定效应（IFE）模型给出（Assumption 1）：

Y_it = µ_i + δ_t + λ_i^T f_t + γ^T X_it + β(G_it) A_it + τ(E_it) D_it + ϵ_it

其中β(g)和τ(e)是待估的未知函数（本文假设β(g)对所有单位有共同形状，τ(e)仅依赖于e而非RIP时长）。潜因子f_t和载荷λ_i捕捉时变未观测混杂。

可观测数据：研究者实际能观测到的是：{Y_it, A_it, D_it, X_it}对所有i, t。不可观测的是：潜因子f_t、载荷λ_i、以及潜在结果Y_it(0,0)（未处理反事实）。识别依赖于IFE模型假设：通过控制单元（从未进入RIP/MIP）的数据来估计µ_i, δ_t, λ_i^T f_t，从而外推处理单元的反事实。

第二步：讲最小内核¶

最简特例：假设只有一个处理单元（如一个州），一个控制单元（如另一个从未有PDMP的州），两个时间点：t=1（控制期）、t=2（RIP期，即早期采纳期）、t=3（MIP期，即强制期）。没有协变量X_it，且潜因子维度r=1（一个标量因子）。处理单元在t=2进入RIP，t=3进入MIP；控制单元始终在控制状态。

在这个特例下： - 可观测数据：Y_1,1, Y_1,2, Y_1,3（处理单元），Y_0,1, Y_0,2, Y_0,3（控制单元）。 - 模型退化为： - 控制单元：Y_0,t = µ_0 + δ_t + λ_0 f_t + ϵ_0,t - 处理单元：Y_1,t = µ_1 + δ_t + λ_1 f_t + β(G_1,t) A_1,t + τ(E_1,t) D_1,t + ϵ_1,t - 其中A_1,2 = 1, A_1,3 = 1（RIP持续），D_1,2 = 0, D_1,3 = 1（MIP从t=3开始）。 - 因此G_1,2 = 1, G_1,3 = 2（截断前），E_1,2 = 0, E_1,3 = 1。

核心思路： 1. 第一阶段（估计早期采纳效应）：利用t=1,2的数据（控制期+RIP期），拟合IFE模型。由于只有两个单位，潜因子f_t和载荷λ_i的识别依赖于控制单元在t=1,2的结果差异来估计δ_t + λ_0 f_t的变化。然后，处理单元在t=2的残差Y_1,2 - (µ_1 + δ_2 + λ_1 f_2)就是β(1)的估计（因为τ(0)=0）。这里的关键假设是：潜因子结构在控制单元和处理单元之间共享（即f_t相同，仅载荷不同），且控制单元的结果完全反映了未处理的反事实趋势。 2. 第二阶段（估计mandate效应）：从t=2,3的结果中减去估计的早期采纳效应β(1)和β(2)（注意β(2)需从第一阶段外推或假设其形状），得到残差化结果˜Y_1,t = Y_1,t - β(G_1,t)。然后，对残差化结果应用SCM（在这个特例中，就是简单的DID：(˜Y_1,3 - ˜Y_1,2) - (Y_0,3 - Y_0,2)），得到mandate效应τ(1)的估计。总效应∆(1) = β(2) + τ(1)。

为什么这个特例抓住了核心困难： - 如果忽略早期采纳，直接对原始结果Y_1,t应用SCM（即DID），会错误地将t=2的β(1)视为未处理反事实的一部分，从而低估（或高估）t=3的处理效应。本文的两阶段方法通过先估计并减去β(g)来纠正这个偏差。 - 核心数学困难在于：在只有少量处理单元和潜因子结构的情况下，如何从“被污染”的处理前数据中分离出早期采纳效应和潜因子趋势？这需要假设早期采纳效应有共同形状（如单调递增的样条），而潜因子趋势由控制单元识别。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在交错采纳面板数据中，当政策存在早期采纳（资源先可用后强制）时，如何无偏地估计总政策效应及其早期采纳和mandate子成分。
核心工具/方法：提出一个两阶段估计程序——第一阶段用交互固定效应（IFE）模型配合样条函数估计早期采纳效应β(g)，第二阶段将结果残差化后应用SCM变体（广义SCM或增强SCM）估计mandate效应τ(e)和总效应∆(e)。
主要结论：模拟实验表明，即使在早期采纳与潜因子相关时，该方法相比忽略早期采纳的SCM估计量能大幅减少偏差（从-60%~-100%降至接近0）并改善不确定性量化（覆盖率达0.94-1.0 vs. 0.0-0.06）。应用于PDMP政策与阿片类药物配发数据后，点估计显示配发量减少，但置信区间宽且包含零。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

Assumption 1 (Model specification)：结果生成过程为低秩IFE模型（式1），因子数r视为已知。这是核心强假设——它假设潜因子结构能完全捕捉时变未观测混杂，且早期采纳和mandate效应是可加的（无交互作用）。相比已有文献：标准SCM（Abadie 2010）不显式假设因子模型，但隐含地依赖线性因子结构；广义SCM（Xu 2017）同样假设IFE模型；增强SCM（Ben-Michael 2021）通过ridge回归放松了线性假设。本文的假设介于广义SCM和增强SCM之间——它需要显式指定因子数，但允许通过样条灵活建模β(g)。
Assumption 2 (Positivity)：给定Z_it（协变量+潜因子），进入RIP和MIP的概率在(0,1)内。这是标准重叠假设。
Assumption 3 (Latent Exchangeability)：给定潜因子结构和协变量，潜在结果与进入RIP/MIP的时间独立。这相当于条件无混杂——所有时变混杂都被潜因子捕捉。相比标准SCM的“no-anticipation”假设，这里放宽为“条件于潜因子后无预期”，但潜因子本身不可观测，因此实际上依赖于模型正确设定。
Assumption 4 (Effect structure)：早期采纳效应有共同形状（对所有单位相同，仅通过g变化），且在进入MIP后固定为最终值；mandate效应仅依赖于e而非RIP时长。这是可加性分解的关键——它排除了β和τ之间的交互作用（如早期采纳时长影响mandate效应大小）。作者在讨论中承认这一假设可能被违反。

相比已有文献的放宽/强化： - 放宽：允许处理前结果受政策影响（违反no-anticipation），且允许多个处理单元交错采纳。 - 强化：需要显式假设效应结构（共同形状、可加分解）和因子模型正确设定。相比之下，Gong (2021) 的bounds方法不需要这些强假设，但只能给出部分识别。

主要结果¶

理论型结果：本文没有显式的渐近定理或minimax界，主要贡献是识别策略和估计程序。核心理论贡献是： 1. 分解定理（Section 3.3）：在Assumption 4下，总政策效应可分解为∆(e) = β(T_i - P_i) + τ(e)。推导见附录S1。 2. 两阶段估计量的构造（Section 3.4）：第一阶段用IFE模型+样条估计β(g)，第二阶段残差化后应用SCM。估计量的无偏性依赖于Assumptions 1-4的成立。

模拟实验的核心量化结论（Section 4）： - 无早期采纳时（Simulation 1）：两阶段估计量与标准方法均无偏，但两阶段方法的标准误更大（SE=1.3 vs. 0.56），反映了不必要的残差化引入的噪声。 - 有早期采纳时（Simulations 2-5）： - 两阶段方法：平均总效应、早期采纳效应、mandate效应的百分比偏差中位数接近0（图3），覆盖率0.94-0.98（表1）。 - 标准方法（忽略早期采纳）：平均总效应偏差-6%（Simulation 2），早期采纳效应偏差-62%~-68%；覆盖率接近0（0.0-0.06）。 - 早期采纳与潜因子高度相关时（Simulation 6）：两阶段方法仍近乎无偏，但早期采纳效应的标准误大幅增加（SE=137 vs. 4.5），反映了共线性导致的识别困难。标准方法的总效应偏差改善至-4.6%（因为早期采纳效应本身较小），但早期采纳效应偏差仍达-103%~-107%。 - SUTVA违反时（附录S2.2）：当只有部分单位早期采纳或采纳程度异质时，两阶段方法的偏差略有增加（约1.5-3倍），但覆盖率仍接近名义水平（0.94-1.0）。

真实例子（Section 5）： - 数据：美国50个州+DC，2000-2016年季度数据。PDMP政策日期来自Lee et al. (2021)，阿片类药物配发量来自DEA ARCOS数据库（氢可酮和羟考酮的MME per capita）。 - 方法应用：将本文方法通过广义SCM实施。第一阶段：用IFE模型（因子数通过信息准则选择）+样条（多项式次数和自由度通过信息准则选择）估计β(g)。第二阶段：残差化后应用广义SCM估计τ(e)和∆(e)。不确定性量化：单位级bootstrap（B=500）。 - 结果： - 平均总效应：-23.6 MME per capita/季度（95% CI: -38.0, 2.8）。 - 平均早期采纳效应：-1.7（95% CI: -10.1, 11.9）。 - 平均mandate效应：-15.2（95% CI: -38.7, 8.3）。 - 安慰剂效应（处理前拟合诊断）：0.03（95% CI: -0.09, 0.49），表明模型拟合良好。 - 所有估计均不显著（CI包含零），但点估计方向一致（减少）。 - 这个例子想说明什么：①展示方法在真实数据上的可操作性；②说明即使考虑早期采纳，PDMP对阿片类药物配发的影响估计仍不精确，可能与政策异质性、数据聚合水平、替代效应等有关（作者在讨论中详细解释了这些机制）。

证明路线与技术技巧¶

整体路线（3-5步逻辑主干）： 1. 分解：在Assumption 4下，将总效应∆(e)分解为β(T_i - P_i) + τ(e)（附录S1）。这一步是纯代数操作，不依赖估计。 2. 第一阶段估计β(g)：利用所有E_it = 0（即未进入MIP）的观测，拟合IFE模型（式2），其中β(g)用样条基函数表示。关键：控制单元（从未进入RIP）提供潜因子结构的信息，处理单元在RIP期的结果提供β(g)的信息。估计通过最小化残差平方和进行（具体算法依赖gsynth或自定义优化）。 3. 残差化：从所有观测中减去估计的β(G_it) A_it，得到˜Y_it。这一步将早期采纳效应从结果中剥离，使得˜Y_it在RIP期和MIP期都对应于“无早期采纳”的反事实（加上噪声）。 4. 第二阶段估计τ(e)和∆(e)：对残差化结果˜Y_it应用SCM变体（广义SCM或增强SCM），得到反事实˜Y_it(G_it, 0)。然后τ(e) = ˜Y_it - ˜Y_it(G_it, 0)（对MIP期平均），∆(e) = τ(e) + β(T_i - P_i)。 5. 不确定性量化：单位级bootstrap（重采样单位，保留完整时间序列），重复步骤1-4，用百分位法构造CI。

关键跳跃点： - 从“被污染”的处理前数据中分离β(g)和潜因子趋势：这是最吃劲的地方。如果早期采纳效应β(g)与潜因子f_t高度相关（如Simulation 6），那么IFE模型可能无法区分两者。作者的解决方法是：假设β(g)有共同形状（样条）且仅依赖于g，而潜因子f_t是时间趋势。这个假设在数学上提供了可分离性——β(g)是“事件时间”的函数，而f_t是“日历时间”的函数，两者在交错采纳设定下通常不共线（因为不同单位的P_i不同，导致同一日历时间对应不同的g）。但Simulation 6表明，当β(g)被构造为f_t的函数时（即共线），识别变得困难（SE增大）。 - 残差化后的SCM应用：残差化后，˜Y_it在RIP期和MIP期都“看起来像”未处理结果（减去早期采纳后），因此标准SCM的no-anticipation假设在残差化空间中得到满足。这是Doudchenko & Imbens (2016) 思想的直接应用，但本文将其从“对协变量残差化”推广到“对估计的早期采纳效应残差化”。

技术技巧点名： - 交互固定效应（IFE）模型：用于估计潜因子结构。这是面板数据因果推断的标准工具（Bai 2009），本文直接借用。 - 单调样条（monotonic spline）：用于灵活建模β(g)。作者提到“monotonic spline basis representation”，但未详细说明是否强制单调性——从图5A看，估计的β(g)确实呈下降趋势，但样条本身可能只是平滑而非单调约束。 - 单位级bootstrap：用于不确定性量化。这是处理面板数据依赖性的标准方法（保留单位内时间序列相关性）。 - 信息准则选择因子数和样条参数：用于数据驱动地选择模型复杂度。作者未说明具体准则（如BIC、AIC或交叉验证），仅在附录S4中展示了不同选择的稳健性。

🔎 结论是否比证明窄¶

窄结论1：Assumption 4（共同形状、可加分解）在模拟中被严格遵守，但在真实数据中很可能被违反。作者在讨论中承认“substantially different early adoption patterns across treated states or mandate effects that vary with the duration of the RIP period could bias estimates”，但未提供任何诊断或稳健性方法。因此，论文的结论（方法有效）严格限于Assumptions 1-4成立的情形。
窄结论2：模拟中因子数固定为真值（r=2），但在应用中因子数未知且需选择。作者在附录S4中展示了不同因子数下的结果稳健性，但未讨论因子数误设（如低估r）对估计的影响。如果真实因子数大于所选值，潜因子结构可能无法完全捕捉混杂，导致有偏估计。
窄结论3：SUTVA假设（无干扰、无版本异质性）在模拟中被部分违反（附录S2.2），但作者仅考虑了“版本异质性”（不同早期采纳程度），未考虑跨单位干扰（如一个州的PDMP影响相邻州的处方行为）。作者在讨论中承认“we do not consider interference or spillover effects, such as cross-state changes in opioid prescribing or dispensing induced by neighboring states’ PDMP policies”。这是一个重要的窄化——在阿片类药物危机中，跨州处方转移（doctor shopping）是已知现象（Balestra et al. 2021），忽略它可能导致估计偏误。
泛泛claim：作者在摘要和结论中声称方法“reduced bias and improved uncertainty quantification relative to conventional SCM estimators”，但这个结论严格限于模拟设定。在真实数据应用中，由于真值未知，无法验证偏差是否真的减少——只能看到点估计和CI的变化。作者在讨论中诚实地说“the estimates are imprecise and not statistically significant”，没有过度claim。

四、开放问题（点到为止，扎根具体语句）¶

放松共同形状假设：本文假设β(g)对所有单位有共同形状（Assumption 4），但作者承认“substantially different early adoption patterns across treated states...could bias estimates”（Section 6, 第4段）。要证什么：能否在允许β_i(g)单位异质的情况下仍识别τ(e)？这可能需要更强的工具变量或额外的结构假设（如β_i(g)可分解为单位特定缩放因子×共同形状）。
放松可加分解假设：本文假设∆(e) = β(T_i - P_i) + τ(e)，即无交互作用。但早期采纳时长T_i - P_i可能影响mandate效应（例如，长期自愿使用后强制可能效果递减）。要估什么：能否估计交互项θ(T_i - P_i, e)？这需要更多处理单元或更长的面板来识别。
因子数误设的稳健性：本文在模拟中固定因子数为真值，在应用中通过信息准则选择。但因子数低估可能导致未观测混杂残留。要证什么：能否推导出因子数误设时估计量的偏差界？或者提出一种对因子数选择不敏感的双重稳健估计量？
跨单位干扰（spillover）：作者明确未考虑“cross-state changes in opioid prescribing or dispensing induced by neighboring states’ PDMP policies”（Section 6, 第4段）。要估什么：能否在SCM框架下纳入干扰效应（如将相邻州的PDMP状态作为额外协变量或因子）？这需要扩展SUTVA假设。
与交错采纳DID文献的交叉：本文未引用Callaway & Sant'Anna (2021) 等交错采纳DID方法。要查什么：这些DID方法能否通过类似的残差化策略来处理早期采纳？如果能，其与本文的IFE模型假设哪个更弱？这是一个值得研究者去查的交叉点——如果DID方法在更弱的平行趋势假设下也能处理早期采纳，那么本文的强IFE假设可能不是必要的。

Maintained by 陈星宇 · Homepage · Source on GitHub