跳转至

When Covariates Mask Pre-Trends

作者: Parush Arora
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2611.03079


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双重差分(Difference-in-Differences, DiD)设计中的"诚实推断"(honest inference)。其根本的统计问题是:在观测研究中,平行趋势假设(parallel trends)不可检验,研究者如何在不完全依赖该假设的前提下,对处理效应进行有效的推断?当前的主流答案是"相对幅度基准"(relative-magnitude benchmark):假设处理后平行趋势的违背程度不超过处理前观察到的最大违背程度(乘以某个倍数 M),从而构造对处理效应的一致置信区间。这个方向的成熟度较高——Rambachan and Roth (2023) 的框架已被 Baker et al. (2025) 等实践指南推荐为常规做法,但本文指出该框架在协变量调整情境下存在一个此前未被识别的漏洞。

发展脉络

奠基工作:平行趋势检验与事件研究。 DiD 的识别依赖于平行趋势假设,而事件研究(event study)中的事前趋势检验(pre-trend test)是评估该假设可信度的标准工具。Callaway and Sant'Anna (2021) 将 DiD 推广到多期、交错处理(staggered adoption)的情境,提出了以队列(cohort)为基本构建块的估计框架,并允许在条件平行趋势假设下纳入协变量。其"通用基期"(universal base period)设计使得安慰剂估计(placebo estimates)可以系统性地构造。

主要进展:从"检验"到"诚实推断"。 Rambachan and Roth (2023) 的关键贡献在于将事前趋势检验从"通过/不通过"的二元决策,转化为一个敏感性分析框架:研究者设定一个相对幅度参数 M,假设处理后平行趋势的违背不超过处理前最大违背的 M 倍,然后报告一个随 M 变化的置信区间。这个框架的吸引力在于其透明性——读者可以看到结论在多大的假设违背下仍然稳健。Baker et al. (2025) 的实践指南进一步将这一框架推广为推荐做法,并讨论了协变量在 DiD 中的各种使用方式。

当前 frontier:协变量与平行趋势的交互。 最近的文献开始系统性地审视协变量在 DiD 中的角色。Caetano et al. (2022, 2026) 和 Ban et al. (2026) 关注的是估计偏差:当时变协变量受处理影响时,调整它们会引入何种偏差,以及如何通过调整集的选择来恢复处理效应。Ghanem et al. (2022, 2026) 则从选择机制的角度出发,刻画了平行趋势假设在何种选择机制下成立或不成立,并指出事前趋势检验在何种条件下对平行趋势具有信息量。

本文的位置:Arora (2026) 提出的问题与上述工作正交。它不关心估计偏差,而是关注推断基准的有效性:当协变量在安慰剂窗口之后才测量时,调整该协变量会系统性地压低安慰剂估计,使得"处理前最大违背"被低估,从而导致 Rambachan-Roth 框架下的置信区间过窄。这是一个关于"基准本身是否被污染"的问题,而非"估计是否无偏"的问题。

子线索聚类

  1. 多期 DiD 的估计与推断(Callaway and Sant'Anna, 2021; Goodman-Bacon, 2021; Sun and Abraham, 2021; de Chaisemartin and D'Haultfœuille, 2020; Borusyak et al., 2024):这一簇关注如何在交错处理下定义和估计处理效应参数,以及如何处理异质性处理效应。
  2. 平行趋势的检验与敏感性分析(Roth, 2022; Rambachan and Roth, 2023; Ghanem et al., 2022, 2026):这一簇关注事前趋势检验的统计性质(功效、大小扭曲),以及如何将事前信息转化为事后推断的约束。
  3. 协变量在 DiD 中的角色(Sant'Anna and Zhao, 2020; Caetano et al., 2022, 2026; Ban et al., 2026; Daw and Hatfield, 2018; Ding and Li, 2019; Zeldow and Hatfield, 2021; Rodrigues and Hatfield, 2026):这一簇关注协变量的选择、调整方式及其对识别和估计的影响,包括坏控制(bad controls)、滞后结果变量、以及协变量受处理影响时的偏差。
  4. 本文的位置:本文属于第 2 簇和第 3 簇的交界——它研究协变量的测量时点如何影响第 2 簇中敏感性分析框架的有效性。

这个方向在追问的核心问题

  1. 事前趋势检验在何种条件下具有信息量? Ghanem et al. (2022, 2026) 给出了部分答案:只有在选择机制受到特定限制时,事前趋势才对平行趋势有约束力。本文补充了另一个维度:即使事前趋势检验本身有效,协变量的测量时点也会系统性地扭曲其规模。
  2. 如何将事前信息转化为事后推断的约束? Rambachan and Roth (2023) 的相对幅度框架是目前的主流答案,但本文指出其前提——"处理前观察到的违背是处理后违背的可靠基准"——在协变量调整下可能失效。
  3. 协变量调整何时有益、何时有害? 这是一个更广泛的问题。本文的贡献在于指出:协变量调整对估计可能有益(减少方差、消除混淆),但对推断基准可能有害(压低安慰剂估计),两者需要分开评估。

⚠️ 作者的 framing

作者将缺口 frame 为:"协变量的测量时点决定了它是否记录了安慰剂窗口内的结果冲击"。具体而言,作者区分了四种测量时点(P1-P4),并指出只有 P1(在所有安慰剂窗口之前测量)才能保证基准的有效性。作者强调,这个问题独立于协变量调整对估计的偏差效应——即使协变量调整不改变点估计,它也可能通过压低安慰剂估计来扭曲推断。作者还指出,这个问题在交错处理设计中尤为普遍,因为实践中常用的"基期固定"(P2)恰好是问题最严重的时点。

值得注意的张力:作者在引言中明确区分了本文与 Caetano et al. (2022, 2026) 和 Ban et al. (2026) 的问题——后者关注"协变量受处理影响导致的估计偏差",本文关注"协变量记录结果冲击导致的基准扭曲"。但这两类问题在实践中可能同时存在,且作者没有讨论它们之间的交互。此外,作者对"早期测量"的推荐(P1)与实践中"基期固定"的普遍做法(P2)之间存在明显的张力——作者认为 P2 是问题所在,但 P2 恰恰是 Baker et al. (2025) 等实践指南推荐的常规做法。

未见明显对立引用:被引文献之间没有直接的矛盾,但存在一个微妙的张力:Ghanem et al. (2022, 2026) 强调事前趋势检验在何种条件下有信息量,而本文则指出在协变量调整下,事前趋势检验的规模可能被系统性地低估。两者并不矛盾,但暗示了事前趋势检验的信息量问题比现有文献认识的更为复杂。


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

符号(逐个点名):

  • 处理状态:\(D_i \in \{0, 1\}\),\(D_i = 1\) 表示个体 \(i\) 接受处理。处理在 \(t=1\) 时分配。
  • 结果变量:\(\Delta Y_{is}\) 表示个体 \(i\) 在第 \(s\) 个窗口的结果变化。\(s = 1, \ldots, K\) 为处理前的安慰剂窗口,\(s = \text{post}\) 为处理后的窗口。
  • 潜在结果:\(\Delta Y_{is}(0)\) 表示未接受处理的反事实结果变化。处理不影响处理前的结果,因此 \(\Delta Y_{is} = \Delta Y_{is}(0)\) 对 \(s \leq K\) 成立。
  • 协变量:\(X_0\) 是预先确定的协变量(在处理分配之前测量);\(\tilde{X}\) 是实际用于调整的协变量,可能等于 \(X_0\),也可能是在更晚时点测量的 \(Z\)。
  • 处理效应:\(ATT = \mathbb{E}[\Delta Y_{i,\text{post}}(1) - \Delta Y_{i,\text{post}}(0) | D_i = 1]\),即处理组平均处理效应。
  • 条件期望算子:\(\beta(W; \tilde{X}) = \mathbb{E}\left[ \mathbb{E}[W | D=1, \tilde{X}] - \mathbb{E}[W | D=0, \tilde{X}] \mid D=1 \right]\),即给定协变量 \(\tilde{X}\) 时,\(W\) 在处理组与对照组之间的条件均值差,再对处理组的协变量分布取平均。这是 DiD 中的"调整后对比"。
  • 安慰剂估计量:\(\beta_s(\tilde{X}) = \beta(\Delta Y_{is}(0); \tilde{X})\),即第 \(s\) 个安慰剂窗口的调整后对比。
  • 处理后趋势:\(\beta_{\text{post}}(\tilde{X}) = \beta(\Delta Y_{i,\text{post}}(0); \tilde{X})\),即处理后窗口的(反事实)调整后对比。
  • 相对幅度基准:\(M \geq 0\),假设 \(|\beta_{\text{post}}(\tilde{X})| \leq M \max_{s \leq K} |\beta_s(\tilde{X})|\)。
  • 可观测数据:\(\{(\Delta Y_{is})_{s=1}^K, \Delta Y_{i,\text{post}}, D_i, \tilde{X}_i\}_{i=1}^n\)。研究者观测到处理前各窗口的结果变化、处理后的结果变化、处理状态和用于调整的协变量。

模型(数据生成机制):

  • 潜在结果满足:\(\Delta Y_{is}(0) = \alpha_s + \tau_s(D_i, X_{0i}) + u_{is}\),其中 \(\alpha_s\) 是时间趋势,\(\tau_s(D_i, X_{0i})\) 是依赖于处理状态和预先确定协变量的趋势项,\(u_{is}\) 是均值为零的冲击,与 \((D_i, X_{0i})\) 独立。
  • 协变量 \(X_0\) 是预先确定的,不依赖于结果冲击。
  • 实际用于调整的协变量 \(Z = \psi(X_0, V, \zeta)\),其中 \(V = \sum_{s=1}^K \Delta Y_{is}(0)\) 是处理前累积结果变化,\(\zeta\) 是与 \((D, X_0, u_1, \ldots, u_K, u_{\text{post}})\) 独立的噪声。
  • 关键:\(Z\) 可能依赖于 \(V\),即协变量在安慰剂窗口之后测量,因此记录了部分安慰剂期间的结果冲击。

第二步:最小内核

核心问题:当协变量 \(\tilde{X}\) 在安慰剂窗口之后测量时,调整它会对安慰剂估计量 \(\beta_s(\tilde{X})\) 产生什么影响?

最小例子(\(K=1\),单个安慰剂窗口,线性模型):

  • 假设 \(X_0\) 是预先确定的协变量,\(D\) 是处理状态,\(u_1\) 是安慰剂窗口的冲击,\(u_{\text{post}}\) 是处理后窗口的冲击,\(u_1\) 与 \(u_{\text{post}}\) 独立且均值为零。
  • 结果变化:\(\Delta Y_1(0) = \alpha_1 + b X_0 + \delta D + u_1\)(安慰剂窗口),\(\Delta Y_{\text{post}}(0) = \alpha_{\text{post}} + b X_0 + \delta D + u_{\text{post}}\)(处理后窗口)。
  • 协变量 \(Z = X_0 + \chi V\),其中 \(V = \Delta Y_1(0)\) 是安慰剂窗口的结果变化,\(\chi \neq 0\) 衡量协变量对结果的依赖程度。
  • 可观测数据:\((\Delta Y_1, \Delta Y_{\text{post}}, D, Z)\)。

要证明的命题:调整 \(Z\) 会使得安慰剂估计量 \(\beta_1(Z)\) 偏离真实的趋势项 \(\delta\),而调整 \(X_0\) 则不会。

证明思路(Proposition 3 的特例):

  1. 调整 \(X_0\):由于 \(u_1\) 与 \((D, X_0)\) 独立,\(\beta_1(X_0) = \delta\),即安慰剂估计量无偏地估计趋势项。
  2. 调整 \(Z\):\(Z = X_0 + \chi(\alpha_1 + b X_0 + \delta D + u_1) = \chi\alpha_1 + (1 + \chi b) X_0 + \chi\delta D + \chi u_1\)。由于 \(Z\) 包含 \(u_1\),在给定 \(Z\) 的条件下,\(u_1\) 不再与 \(D\) 独立。具体地,\(E[u_1 | D, Z]\) 是 \(Z\) 和 \(D\) 的函数,且 \(E[u_1 | D=1, Z] - E[u_1 | D=0, Z]\) 一般不为零。这导致 \(\beta_1(Z) = \delta/\kappa - \chi\gamma\sigma_u^2/\kappa\Lambda\),其中 \(\kappa = 1 + \chi b\),\(\gamma = \text{Cov}(D, Z)/\text{Var}(Z)\),\(\Lambda = \text{Var}(D) - \text{Cov}(D, Z)^2/\text{Var}(Z)\)。
  3. 关键:\(\beta_1(Z) \neq \delta\),且 \(\beta_{\text{post}}(Z) = \delta/\kappa + b\chi^2 K\gamma\sigma_u^2/\kappa\Lambda\)。因此,\(\beta_{\text{post}}(Z) - \beta_1(Z) = \chi\gamma\sigma_u^2/\Lambda \neq 0\),即使真实的趋势项 \(\delta\) 在处理前后相同(即平行趋势成立),调整 \(Z\) 也会使得安慰剂估计量 \(\beta_1(Z)\) 与处理后趋势 \(\beta_{\text{post}}(Z)\) 不一致。

为什么这个例子是"最小内核":它剥离了所有一般性假设(多个窗口、非线性、交错处理),只保留了一个核心机制——协变量记录了安慰剂窗口的结果冲击,从而在给定协变量的条件下,处理状态与冲击不再独立。这个机制足以产生"安慰剂估计量被压低"的效应,而这一效应在 Rambachan-Roth 框架下会导致置信区间过窄。

推广:Proposition 2 表明,在更一般的条件下(\(Z\) 是 \(X_0\) 和 \(V\) 的增函数),只要处理状态与协变量正相关(\(\gamma > 0\)),且冲击满足一定的单调性条件,安慰剂估计量就会被压低(\(\epsilon_s \leq \epsilon_{\text{post}}\))。Proposition 3 给出了线性模型下的精确公式。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在 DiD 设计中,当协变量在安慰剂窗口之后测量时,调整该协变量会系统性地压低安慰剂估计量,使得 Rambachan-Roth 相对幅度基准下的置信区间过窄,从而高估处理效应的稳健性。
  2. 核心工具 / 方法:提出了一个一般性的分解框架(Proposition 1),将安慰剂估计量分解为趋势项和冲击项;在单调性条件下证明了冲击项的方向(Proposition 2);在线性模型下给出了精确公式(Proposition 3);并提出了一个检验协变量时点问题的统计检验(Proposition 5)和冲击项估计量(Proposition 6)。
  3. 主要结论:基于对 90 篇近期发表研究的调查,77 篇至少有一个协变量测量过晚,说明该问题在实践中普遍存在;在三个经典应用中,协变量时点问题显著改变了推断结论。

关键设定与假设

设定:

  • 个体 \(i = 1, \ldots, n\),处理 \(D_i \in \{0, 1\}\),处理在 \(t=1\) 时分配。
  • 结果变化 \(\Delta Y_{is}\) 在 \(K\) 个安慰剂窗口(\(s = 1, \ldots, K\))和 1 个处理后窗口(\(s = \text{post}\))中观测。
  • 协变量 \(\tilde{X}\) 用于调整,可能等于预先确定的 \(X_0\),也可能是在更晚时点测量的 \(Z\)。

假设(Assumption 2,核心假设):

  1. 潜在结果结构:\(\Delta Y_s(0) = \alpha_s + \tau_s(D, X_0) + u_s\),其中 \(\tau_s\) 是依赖于处理状态和预先确定协变量的趋势项,\(u_s\) 是均值为零的冲击。
  2. 冲击独立性:\((u_1, \ldots, u_K, u_{\text{post}})\) 与 \((D, X_0)\) 独立。
  3. 协变量结构:\(Z = \psi(X_0, V, \zeta)\),其中 \(V = \sum_{s=1}^K \Delta Y_s(0)\) 是累积安慰剂窗口结果变化,\(\zeta\) 与 \((D, X_0, u_1, \ldots, u_K, u_{\text{post}})\) 独立。

假设的含义:

  • 假设 1 和 2 是标准的 DiD 设定:处理前的趋势依赖于处理状态和协变量,但冲击是外生的。
  • 假设 3 是本文的核心:协变量 \(Z\) 可能依赖于 \(V\),即它记录了安慰剂窗口的结果冲击。如果 \(Z\) 不依赖于 \(V\)(即 \(Z = \psi(X_0, \zeta)\)),则冲击项为零,基准有效。

相比已有文献的放宽/强化:

  • 相比 Caetano et al. (2022, 2026) 和 Ban et al. (2026),本文不要求协变量不受处理影响,而是允许协变量记录结果冲击。
  • 相比 Rambachan and Roth (2023),本文强化了基准的有效性条件:不仅要求处理前趋势可观察,还要求协变量在安慰剂窗口之前测量。
  • 相比 Ghanem et al. (2022, 2026),本文不要求对选择机制做具体假设,而是直接从协变量的测量时点出发。

主要结果

Proposition 1(分解定理):在 Assumption 2 下,安慰剂估计量 \(\beta_s(Z)\) 可以分解为趋势项 \(T_s = \beta(\tau_s(D, X_0); Z)\) 和冲击项 \(\epsilon_s = \beta(u_s; Z)\)。如果 \(Z\) 不依赖于 \(V\),则 \(\epsilon_s = 0\);如果 \(u_{\text{post}}\) 与 \((u_1, \ldots, u_K)\) 独立,则 \(\epsilon_{\text{post}} = 0\)。

Proposition 2(方向定理):在单调性条件下(\(Z\) 是 \(A\) 和 \(U\) 的增函数,\(E[D|A]\) 非降),冲击项满足 \(\epsilon_s \leq \epsilon_{\text{post}}\),即安慰剂估计量被压低。这意味着在正趋势的情况下,Rambachan-Roth 基准下的置信区间过窄。

Proposition 3(线性模型精确公式):在 Assumption 3 下,\(\beta_s(Z) = \delta/\kappa - \chi\gamma\Xi_s/\kappa\Lambda\),\(\beta_{\text{post}}(Z) = \delta/\kappa + b\chi^2 K\gamma\sigma_u^2/\kappa\Lambda\),其中 \(\Xi_s = \text{Cov}(u_s, U)\)。因此,\(\beta_{\text{post}}(Z) - \beta_s(Z) = \chi\gamma(\Xi_s - \Xi_{\text{post}})/\Lambda\)。

Proposition 5(检验):提出了一个检验协变量时点问题的统计检验,基于部分线性回归的系数 \(\vartheta_s\)。在零假设下(\(Z\) 不依赖于 \(V\)),\(\vartheta_s = 0\)。

Proposition 6(冲击项估计):冲击项 \(\epsilon_s\) 可以通过残差化的部分线性回归来估计,即先对 \((D, X_0)\) 做残差化,再对 \(Z\) 做回归。

Proposition 7(敏感性界):当没有早期测量时,冲击项可以被一个可识别的界所约束,该界基于 \(Z\) 对结果变化的预测能力。

证明路线与技术技巧

整体路线:

  1. 分解:利用 \(\beta\) 的线性性,将安慰剂估计量分解为趋势项和冲击项。
  2. 方向:在单调性条件下,利用 Chebyshev 关联不等式证明冲击项的符号。
  3. 精确公式:在线性模型下,通过投影计算冲击项的精确表达式。
  4. 检验与估计:利用部分线性回归的残差化技巧,构造检验统计量和冲击项估计量。

关键技巧:

  1. 线性性:\(\beta(W; \tilde{X})\) 对 \(W\) 是线性的,这使得分解成为可能。
  2. Chebyshev 关联不等式:用于证明单调性条件下的符号。
  3. Frisch-Waugh 定理:在线性模型下计算投影系数。
  4. 交叉拟合(cross-fitting):在估计部分线性回归时使用交叉拟合,以避免过拟合偏差。

技术难点:

  • 方向定理的证明:需要处理 \(Z\) 对 \(A\) 和 \(U\) 的依赖,以及 \(E[D|A]\) 的单调性。作者通过构造 \(A\) 作为标量指标,将多维问题转化为一维问题。
  • 检验统计量的分布:需要推导 \(\vartheta_s\) 的渐近分布,作者使用影响函数(influence function)来构造 Wald 检验。

真实例子与应用

例子 1:中国进口竞争冲击(Autor et al., 2013)

  • 数据:美国通勤区(CZs)的面板数据,处理变量为 1990-2000 和 2000-2007 年中国进口竞争暴露度(连续处理),结果为制造业就业份额。
  • 方法:作者使用 1975、1980、1990 三个年份测量的协变量,分别计算安慰剂斜率。
  • 结果:使用 1990 年协变量时,安慰剂斜率从 0.36 降至 0.19,最接近的窗口从 0.12 降至 -0.02。冲击项估计为负,与 Proposition 2 的预测一致。Rambachan-Roth 基准下的置信区间从 \([-0.99, 0.26]\)(1975 年协变量)缩短到 \([-0.71, 0.16]\)(1990 年协变量),但后者是无效的。

例子 2:医疗补助扩展(Baker et al., 2025)

  • 数据:美国县级面板数据,处理变量为 2014 年医疗补助扩展(二元处理),结果为 20-64 岁成人死亡率。
  • 方法:作者比较了 2009 年和 2013 年测量的协变量。
  • 结果:2013 年协变量通过检验(p=0.003),但冲击项很小(0.2-0.6),对基准的影响有限。然而,将失业率从 2013 年改为 2009 年测量时,估计值从 0.46 变为 3.72,说明协变量时点对估计的影响可能大于对基准的影响。

例子 3:电话自动化(Feigenbaum and Gross, 2024)

  • 数据:美国城市面板数据,处理变量为电话交换自动化时间(交错处理),结果为年轻女性电话接线员就业。
  • 方法:作者使用人口和就业协变量,分别测量于 1910 年和普查年。
  • 结果:使用普查年协变量时,安慰剂斜率从 -0.31 和 -0.21 降至 -0.13 和 -0.06。冲击项估计为 0.17 和 0.14,与安慰剂斜率的下降一致。Rambachan-Roth 基准下的置信区间从 \([-0.93, -0.24]\)(无协变量)缩短到 \([-0.82, -0.41]\)(普查年协变量),但后者是无效的。

例子说明的问题:三个例子展示了协变量时点问题在不同设定(连续/二元处理、交错/非交错)下的普遍性,以及它对推断结论的实质性影响。

🔎 结论是否比证明窄

  • Proposition 2 的证明:作者在证明中假设 \(Z\) 是 \(A\) 和 \(U\) 的严格递增函数,且 \(E[D|A]\) 非降。在实际应用中,这些条件可能不满足(例如,\(Z\) 可能不是严格递增的,或者 \(E[D|A]\) 可能非单调)。作者在文中承认了这一点,但未提供放松这些条件的充分讨论。
  • Proposition 3 的公式:线性模型假设 \(Z = X_0 + \chi V\),且 \(V\) 是累积结果变化。在实际中,协变量可能以非线性方式依赖结果,或者 \(V\) 的定义可能不同。作者在文中提到"线性设计"是"说明性的",但未讨论非线性情况下的结果。
  • Proposition 5 的检验:检验的零假设是 \(Z\) 不依赖于 \(V\),但检验的功效取决于 \(Z\) 对 \(V\) 的依赖程度。在 \(Z\) 对 \(V\) 的依赖较弱时,检验可能无法检测到问题。
  • 结论的表述:作者在结论中声称"77 篇研究至少有一个协变量测量过晚",但这一调查结果依赖于对"测量过晚"的主观判断,且未提供具体的编码标准。

四、开放问题

  1. 放松单调性条件:Proposition 2 的证明依赖于 \(Z\) 是 \(A\) 和 \(U\) 的严格递增函数。在更一般的设定下(例如,\(Z\) 是多个协变量的函数,或者 \(E[D|A]\) 非单调),冲击项的方向是否仍然可预测?作者在文中提到"方向结果在更弱的条件下可能成立",但未给出证明。

  2. 非线性协变量依赖:Proposition 3 的公式假设 \(Z = X_0 + \chi V\)。在协变量以非线性方式依赖结果时,冲击项的大小如何计算?是否可以通过非参数方法估计?

  3. 交错处理下的扩展:Proposition 4 只覆盖了交错处理下的 P2 和 P3 时点。P4(回归事件研究中常用的时点)在交错处理下的性质如何?作者在文中提到"P4 不在 Proposition 4 的覆盖范围内",但未给出进一步分析。

  4. 检验的功效分析:Proposition 5 的检验在有限样本下的功效如何?作者在模拟中展示了检验的拒绝率,但未提供功效的理论分析。

  5. 敏感性分析的整合:本文提出的冲击项估计和敏感性界如何与 Rambachan and Roth (2023) 的框架整合?作者在结论中建议"报告每个时点下的估计和置信区间",但未提供具体的整合方法。

  6. 调查的编码标准:作者对 90 篇研究的调查依赖于对"测量过晚"的主观判断。是否可以建立一个更客观的编码标准,以便其他研究者复现这一调查?

提示:要确认这些是否是真 gap,建议阅读以下近期文献的引言部分:Caetano et al. (2026) 关于坏控制的讨论、Ghanem et al. (2026) 关于事前趋势检验信息量的分析、以及 Rambachan and Roth (2023) 的在线附录中对协变量调整的讨论。如果这些文献都指向同一个问题,那可能是共识性的 gap;如果它们互相矛盾,那可能是机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论