跳转至

First as Tragedy? Second as What? Estimating Dynamic Effects of Recurrent Events

作者: Agnes Norris Keiller
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2609.30007


一、领域脉络与小综述

  • 这个方向是什么:本文属于因果推断中"事件研究"(event study)设计的前沿分支。该子方向要解决的根本问题是:当处理事件可以重复发生(如多次失业、多次洪水、多次健康冲击)且每次事件具有持久效应时,如何从面板数据中识别并估计"第 k 次事件"的因果效应。其成熟度处于快速发展期——单次吸收性处理(absorbing treatment)的估计理论已相当成熟(Callaway & Sant'Anna 2021; Sun & Abraham 2021; Borusyak et al. 2024; Wooldridge 2025),但重复事件场景下的形式化识别理论仍属空白,本文是该方向最早的系统性理论贡献之一。

  • 发展脉络(history):

  • 奠基工作:Goodman-Bacon (2021) 与 De Chaisemartin and D'Haultfœuille (2020) 揭示了标准双向固定效应(TWFE)回归在异质性处理效应下估计量的加权平均解释问题,指出权重可能为负,从而动摇了传统 TWFE 的因果解释基础。这是整个"新事件研究"文献的出发点。
  • 主要进展(单次吸收处理):Callaway and Sant'Anna (2021) 提出分组-时间平均处理效应(group-time ATT)估计量,通过显式定义队列(cohort)并仅在干净对照组上估计,解决了异质性下的偏差问题。Sun and Abraham (2021) 从事件研究回归系数"污染"的角度切入,提出交互加权估计量。Borusyak et al. (2024) 提出插补(imputation)估计量,先用未处理样本估计固定效应,再对处理样本预测反事实。Wooldridge (2025) 则证明了上述方法均可通过"扩展 TWFE"回归实现,建立了等价性。
  • 当前 frontier:De Chaisemartin and D'Haultfœuille (2024) 将分析推广到连续处理(continuous treatment)场景,允许处理强度随时间变化。但该框架仍假设处理是"非吸收但单一维度"的——即每个单元在每个时点只有一个处理强度值,而非"多次离散事件"。
  • 本文的位置:作者指出,重复事件场景下,上述所有方法均未形式化处理"事件次数"这一维度。本文的贡献在于:(i) 证明在单次事件常用的假设(SUTVA、NA、条件平行趋势、线性)下,适当灵活的 TWFE 可以识别总处理轨迹效应;(ii) 证明将总效应分解为各次事件贡献需要额外假设,并提出"条件平行效应趋势"(CPET)假设;(iii) 提出序贯插补估计量(SIE)并证明其一致性;(iv) 通过蒙特卡洛模拟展示 SIE 相对多种 TWFE 设定的优势。

  • 子线索聚类:被引文献大致落在三条子线索上:

  • TWFE 分解与权重问题(Goodman-Bacon 2021; De Chaisemartin and D'Haultfœuille 2020):核心是诊断标准回归在异质性下的偏差来源,为后续方法发展提供动机。
  • 异质性处理效应的稳健估计(Callaway and Sant'Anna 2021; Sun and Abraham 2021; Borusyak et al. 2024; Wooldridge 2025):核心是提出替代估计量,通过显式建模处理时机异质性来恢复可解释的因果参数。
  • 重复/连续处理的推广(De Chaisemartin and D'Haultfœuille 2024; Sandler and Sandler 2014):核心是将事件研究扩展到非吸收处理场景。Sandler and Sandler (2014) 通过蒙特卡洛模拟比较了多种 TWFE 设定在重复事件下的表现,但未提供形式化识别理论;De Chaisemartin and D'Haultfœuille (2024) 提供了更一般的连续处理框架,但无法分解事件次数效应。

  • 这个方向在追问的核心问题:

  • 在重复事件场景下,什么条件下总处理轨迹效应可识别?(本文答案:单次事件假设的"轨迹版本"即可)
  • 如何将总效应分解为各次事件的贡献?(本文答案:需要 CPET 假设)
  • 现有 TWFE 设定在重复事件下各自存在什么偏差?偏差的方向和大小如何随数据生成过程变化?(本文答案:见命题 2-4 及蒙特卡洛模拟)
  • 如何对 SIE 进行统计推断?(本文部分回答:贝叶斯 bootstrap;但未给出解析标准误)

  • ⚠️ 作者的 framing(必须明确标注成"这是作者的说法"):作者将缺口 frame 成"单次事件文献的假设不足以识别事件特定效应,需要新的 CPET 假设"。具体而言,作者声称:(i) 现有文献(包括 De Chaisemartin and D'Haultfœuille 2024)只能估计总轨迹效应,无法分解事件次数贡献;(ii) 常用的"池化"TWFE 设定(P-TWFE)在事件效应异质性下产生不可解释的加权平均;(iii) SIE 是首个在合理假设下一致估计事件特定效应的估计量。被淡化或回避的竞争路线:(a) 作者未深入讨论将重复事件视为"连续处理强度"(即事件计数)并直接套用 De Chaisemartin and D'Haultfœuille (2024) 框架的做法——虽然作者声称该框架无法分解事件次数效应,但未给出正式证明;(b) 作者未讨论结构模型或潜在结果模型的其他分解方式(如将总效应建模为各次事件效应的非线性函数);(c) 作者未讨论当事件效应存在"学习效应"(即第 k 次事件的效应依赖于前 k-1 次事件的效应)时的识别问题。什么明显该被引 / 该存在、却没出现在 intro 里:作者未引用 Athey and Imbens (2022) 关于面板数据插值方法的综述,也未引用 Arkhangelsky et al. (2021) 的合成控制方法——这些方法在单次处理场景下与插值估计量竞争,但在重复事件场景下的表现未被讨论。

  • 张力:被引文献之间未见明显对立结论。但存在一个微妙的张力:Wooldridge (2025) 强调"扩展 TWFE"与插值估计量的等价性,而本文指出在重复事件场景下,这种等价性依赖于"足够灵活"的设定——而实际应用中几乎没有人使用如此灵活的设定。这意味着 Wooldridge 的"等价性"结论在重复事件场景下可能被误用为对简单 TWFE 的辩护。

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:
  • \(i \in \{1, \dots, N\}\):面板单元(个体、地区等)
  • \(t \in \{1, \dots, T\}\):时间周期,\(T\) 固定,\(N \to \infty\)
  • \(K\):最大事件次数(本文假设 \(K\) 有限且固定)
  • \(E_i^{(k)}\):单元 \(i\) 经历第 \(k\) 次事件的时期;若少于 \(k\) 次事件则 \(E_i^{(k)} = \infty\)
  • \(\mathbf{E}_i = \{E_i^{(1)}, \dots, E_i^{(K)}\}\):单元 \(i\) 的完整事件时间轨迹(可观测)
  • \(\ell_{it}^{(k)} = t - E_i^{(k)}\):相对于第 \(k\) 次事件的相对时间
  • \(\Omega^{(k)} = \{it : E_i^{(k)} \le t < E_i^{(k+1)}\}\):恰好经历了 \(k\) 次事件的单元-时间观测集合
  • \(\Omega^{(0)} = \{it : t < E_i^{(1)}\}\):未处理观测集合
  • \(Y_{it}(\mathbf{E})\):潜在结果(不可观测,取决于完整轨迹)
  • \(Y_{it}^{(0)} \equiv Y_{it}(\infty, \infty, \dots, \infty)\):从未处理潜在结果(不可观测)
  • \(Y_{it}^{(k)} \equiv Y_{it}(\tilde{\mathbf{E}}^{(k)})\):只经历前 \(k\) 次事件的潜在结果(不可观测)
  • \(\tau_{it}^{(k)} = Y_{it}^{(k)} - Y_{it}^{(k-1)}\):第 \(k\) 次事件的增量效应(目标 estimand)
  • \(\tau_{it} = Y_{it} - Y_{it}^{(0)}\):总轨迹效应
  • \(x_i\):时不变协变量(可观测)
  • \(d_e\):轨迹组指示变量(\(e \in \mathcal{E}\),\(\mathcal{E}\) 为所有可能轨迹的集合)
  • \(w_{it}^{(k,h)} = \mathbf{1}[\ell_{it}^{(k)} = h]\):第 \(k\) 次事件在相对时间 \(h\) 的指示变量
  • \(\bar{w}_{it}^{(h)} = \sum_{k=1}^K w_{it}^{(k,h)}\):池化的事件指示变量
  • \(\lambda_\ell^{(m)}\):事件 \(m\) 在相对时间 \(\ell\) 的效应增长参数(SIE 中的关键参数)

  • 模型:数据生成过程由方程 (6) 描述:

    \[Y_{it} = \sum_{k=1}^K \sum_{s=E_i^{(k)}}^T \tau_{is}^{(k)} \cdot \mathbf{1}[t=s] + \sum_{s=2}^T \gamma_s f_{st} + \sum_{s=2}^T f_{st} x_i' \pi_s + c_i + u_{it}\]
    其中 \(c_i\) 是单元固定效应,\(u_{it}\) 是均值为零的扰动项。关键结构:观测结果 = 所有已发生事件的效应之和 + 未处理结果(由固定效应、时间效应、协变量交互决定)。

  • 可观测数据:研究者观测到 \(\{Y_{it}, x_i, \mathbf{E}_i\}\) 对所有 \((i,t) \in \Omega\)。关键点是:每个单元只观测到其实际轨迹下的结果,所有反事实结果(如"只经历第一次事件"的结果)均不可观测。

第二步:讲最小内核

本文的核心数学困难可以用一个最简单的例子说明:两个时期、最多两次事件、无协变量。

设 \(T=3\),单元 \(i\) 在时期 1 经历第一次事件(\(E_i^{(1)}=1\)),在时期 2 经历第二次事件(\(E_i^{(2)}=2\))。观测结果: - \(t=1\):\(Y_{i1} = c_i + \gamma_1 + \tau_{i1}^{(1)}\)(第一次事件的即时效应) - \(t=2\):\(Y_{i2} = c_i + \gamma_2 + \tau_{i2}^{(1)} + \tau_{i2}^{(2)}\)(第一次事件的动态效应 + 第二次事件的即时效应) - \(t=3\):\(Y_{i3} = c_i + \gamma_3 + \tau_{i3}^{(1)} + \tau_{i3}^{(2)}\)(两次事件的动态效应)

要估计的目标:\(\tau_{i2}^{(2)}\)(第二次事件的即时效应)和 \(\tau_{i3}^{(2)}\)(第二次事件的动态效应)。

困难在哪:在 \(t=2\),观测结果同时包含第一次事件的动态效应 \(\tau_{i2}^{(1)}\) 和第二次事件的即时效应 \(\tau_{i2}^{(2)}\)。如果没有额外假设,无法区分两者——这是"分解问题"的本质。

本文的关键想法:假设存在"对照组"单元 \(j\),其 \(E_j^{(1)} = 1\) 但 \(E_j^{(2)} = \infty\)(只经历一次事件)。在时期 2,单元 \(j\) 的结果为 \(Y_{j2} = c_j + \gamma_2 + \tau_{j2}^{(1)}\)。如果条件平行效应趋势(CPET)成立——即事件 1 的效应增长 \(\tau_{i2}^{(1)} - \tau_{i1}^{(1)}\) 在两组间条件均值相同——那么可以用单元 \(j\) 的效应增长来估计单元 \(i\) 的 \(\tau_{i2}^{(1)}\),从而从 \(Y_{i2}\) 中减去它,分离出 \(\tau_{i2}^{(2)}\)。

为什么需要"序贯":因为要估计 \(\tau_{i3}^{(2)}\),需要知道 \(\tau_{i3}^{(1)}\),而这又需要知道 \(\tau_{i2}^{(1)}\) 的估计。因此估计过程必须从第一次事件开始,逐步推进——这就是"序贯插值"的含义。每一步都依赖前一步的估计,误差会累积,但作者证明在正则条件下累积误差为 \(o_p(1)\)。

这个最小内核揭示了什么:本文的识别策略本质上是用"尚未经历第 \(k\) 次事件的单元"作为"第 \(k\) 次事件"的对照组,但对照组单元仍然在处理状态(经历了前 \(k-1\) 次事件),因此需要假设效应增长的可比性而非结果水平的可比性。这是对传统平行趋势假设的"二阶"推广——从"结果水平平行"到"效应增长平行"。

三、这篇论文做了什么

三句话: 1. 研究了什么问题:当处理事件可以重复发生且具有持久效应时,如何识别和估计每次事件发生的动态因果效应(而非仅总轨迹效应)。 2. 核心工具/方法:提出"条件平行效应趋势"(CPET)假设,并基于此构建序贯插值估计量(SIE);同时形式化分析了三种常用 TWFE 设定(SE-TWFE、P-TWFE、ME-TWFE)在重复事件下的偏差来源。 3. 主要结论:在单次事件常用的假设下,适当灵活的 TWFE 可识别总轨迹效应;但事件特定效应的识别需要 CPET 假设;SIE 在 CPET 下一致估计事件特定效应,而常用 TWFE 设定在事件效应异质性下产生不可解释的加权平均。

关键设定与假设: - SUTVA(假设 1):无 spillover,标准假设。 - NA(假设 2):无预期效应——每个事件只能在发生后影响结果。在重复事件场景下,这意味着第 \(k\) 次事件不能影响第 \(k\) 次事件之前的结果。 - NBC(假设 3):无坏控制——协变量不受任何事件影响(时不变)。 - CPT(假设 4):条件平行趋势——未处理结果的增长在轨迹组间条件均值相同。这是单次事件文献的标准假设。 - LIN(假设 5):线性——未处理结果的条件期望是固定效应、时间效应、协变量交互的线性函数。 - CPET(假设 6,本文新提出):条件平行效应趋势——事件效应的增长(而非未处理结果的增长)在"已经历 \(m\) 次事件"和"已经历 \(m+1\) 次事件"的单元间条件均值相同。这是对 CPT 的"二阶推广"。 - SUPP(假设 7):支撑条件——每个需要构造反事实的单元-时间观测,在对照组中都有足够的支撑。 - LEG(假设 8):线性效应增长——事件效应的增长是 \(x_i^{(m)}\) 的线性函数。这是 LIN 在事件效应上的类比。

相比单次事件文献,本文强化了假设(新增 CPET 和 LEG),但弱化了对处理时机的限制(允许重复事件且事件时机任意相关)。

主要结果: - 命题 1(SIE 一致性):在 SUTVA、NA、NBC、LIN、SUPP、CPET、LEG 和正则条件下,SIE 对 \(\sum it w_{it} \tau_{it}^{(k)}\) 的估计依概率收敛。证明通过归纳法进行:第 \(m\) 步的估计误差由前 \(m-1\) 步的误差和抽样误差组成,前者通过归纳假设控制,后者通过大数定律控制。关键技巧是误差传播分析——每一步的误差以 \(O_p(N^{-1/2})\) 的速度累积,但总误差仍为 \(O_p(N^{-1/2})\)。 - 命题 2(SE-TWFE 的加权表示):单事件 TWFE 设定(只含第一次事件指示变量)的系数是总轨迹效应的加权和,权重由第一次事件时机的样本分布决定。当事件效应异质性且与时机相关时,权重可能为负,系数缺乏因果解释。 - 命题 3(P-TWFE 的加权表示):池化 TWFE 设定(所有事件共享同一组动态系数)的系数是各次事件效应的加权混合。权重的符号和大小由事件计数分布决定,当事件效应随次数变化时,系数是"平均效应"但权重不可解释。 - 命题 4(ME-TWFE 的加权表示):多事件 TWFE 设定(每次事件有独立的动态系数)在"条件均值效应不随时机变化"(即假设 14)下一致估计事件特定效应。但假设 14 比 CPET 更强——它要求效应水平(而非增长)不随时机变化。当假设 14 不成立时,ME-TWFE 系数是事件特定效应的加权和,权重可能为负。

证明路线与技术技巧: - 整体路线:先建立"总轨迹效应可识别"(第 3 节),再建立"事件特定效应需要额外假设"(第 4 节),最后通过蒙特卡洛模拟验证理论预测(第 6 节)。 - 关键技巧 1:归纳法证明。SIE 的证明不是一次性完成的,而是按事件次数 \(m\) 逐步推进。每一步的估计误差分为两部分:前一步的传播误差(通过归纳假设控制)和本步的抽样误差(通过大数定律控制)。这种证明结构使得误差分析非常清晰。 - 关键技巧 2:Frisch-Waugh-Lovell 分解。命题 2-4 的证明都依赖于将 TWFE 估计量投影到事件指示变量上,利用 FWL 定理将系数表示为残差化后的回归系数,从而得到加权表示。 - 关键技巧 3:贝叶斯 bootstrap。SIE 的推断采用贝叶斯 bootstrap(Rubin 1981; Lo 1987),而非解析标准误。作者选择 Dirichlet 权重而非传统 bootstrap 的原因在于:SIE 的序贯结构使得传统 bootstrap 在支撑不足的单元上会失败,而 Dirichlet 权重保证了所有单元在每次抽样中都有正权重。

真实例子与应用:本文没有真实数据应用。第 6 节的蒙特卡洛模拟是唯一的实证内容,设计了四个 DGP 来展示:(1) SIE 在假设成立时的无偏性;(2) SIE 在 CPET 违反时的偏差;(3) ME-TWFE 在假设 14 违反时的偏差;(4) SE-TWFE 和 P-TWFE 的系统性偏差。模拟结果与理论预测一致:SIE 在 CPET 下无偏,ME-TWFE 在假设 14 下无偏,而 SE-TWFE 和 P-TWFE 在所有 DGP 下都有偏。作者在第 7 节讨论了实际应用中的两个问题——初始条件(unobserved initial conditions)和长时距事件(long-horizon events)——但未提供实证演示。

🔎 结论是否比证明窄: - 命题 1 的陈述是"\(\sum it w_{it} \tau_{it}^{(k)}\) 的估计一致",但证明中假设了 \(\tau_{it}^{(k)}\) 的条件均值是 \(x_i^{(m)}\) 的线性函数(LEG)。作者在第 4.2 节末尾承认,LEG 可以放宽为"非参数回归 + 更慢的收敛速度",但未给出正式定理。 - 命题 4 的陈述是"ME-TWFE 在假设 14 下一致",但证明中假设了支撑条件 SUPP 对每个事件-时机组合都成立。作者在第 7 节指出,当事件计数高、样本量有限时,SUPP 可能失败,但未给出有限样本修正。 - 第 7 节讨论的初始条件问题——即单元在观测期开始前可能已经历过事件——在命题 1 的证明中没有被正式处理。作者建议"修剪"早期观测或假设效应在有限时距后衰减为零,但未证明这些修正的一致性。 - 作者在第 4.4 节声称贝叶斯 bootstrap 的覆盖概率在模拟中是名义的,但未给出理论证明。考虑到 SIE 的序贯结构,bootstrap 的有效性并非显然,这是一个值得注意的空白。

四、开放问题

  1. CPET 的可检验性:作者在第 4.5 节提出的诊断检验只能检测 CPET 的某些违反(与后续事件时机相关的效应增长差异),但无法检测所有违反。是否存在更一般的检验?扎根于第 4.5 节"该检验不能被视为对 CPET 的完整检验"。

  2. SIE 的渐近分布与解析标准误:作者仅提供了贝叶斯 bootstrap 推断,未给出渐近正态性证明或解析标准误。考虑到 SIE 的序贯结构,其渐近方差可能涉及累积误差的协方差,这是一个技术上有挑战的问题。扎根于第 4.4 节"SIE 不提供解析标准误"。

  3. 初始条件的正式处理:当单元在观测期开始前已经历过事件时,SIE 的偏差来源未被正式分析。作者建议的"修剪"策略是否一致?是否存在更优的修正?扎根于第 7 节"初始条件问题"。

  4. 事件效应的非线性交互:CPET 假设效应增长是 \(x_i^{(m)}\) 的线性函数,但实际中事件效应可能存在阈值效应或饱和效应。非参数版本的 SIE 是否可行?收敛速度如何?扎根于第 4.2 节"LEG 可以放宽"。

  5. 高维协变量下的 SIE:当协变量维度 \(p\) 随 \(N\) 增长时,SIE 的插值步骤需要高维回归。Lasso 或其它正则化方法能否直接嵌入 SIE 框架?扎根于第 7 节"协变量选择"的讨论。

  6. 与连续处理框架的统一:De Chaisemartin and D'Haultfœuille (2024) 的连续处理框架与本文的重复事件框架在什么条件下可以统一?是否存在一个更一般的"事件计数 + 强度"框架?扎根于第 3 节末尾"与 De Chaisemartin and D'Haultfœuille (2024) 的关系"。


提示:若要确认上述开放问题是否为真 gap,建议阅读以下近期文献的引言部分:(1) de Chaisemartin and D'Haultfœuille (2024) 关于连续处理的后续工作;(2) Arkhangelsky et al. (2021) 的合成控制方法在面板数据中的推广;(3) 关于"插值估计量"在非参数设定下的最新进展(如 Callaway, Goodman-Bacon, and Sant'Anna 2024 的工作论文)。若这些文献均未处理重复事件的事件特定效应分解问题,则第 1、2、4 条大概率是值得投入的真 gap。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论