---

name: cie-did-identification description: Use when the identification strategy for a 《中国工业经济》 (China Industrial Economics) manuscript is multi-period / staggered DID or an event study. Mandates parallel-trends event-study plots, placebo tests, and modern heterogeneity-robust estimators (Callaway-Sant'Anna, Sun-Abraham, de Chaisemartin-D'Haultfœuille, Goodman-Bacon decomposition) whenever treatment timing varies.

识别策略：多期 DID / 事件研究（cie-did-identification）

触发时机

• 实证主体是 DID / 多期（交错）DID / event-study
• TWFE 用在交错处理上，但没回应异质性处理偏误
• 平行趋势只口头说"满足"，没画事件研究图
• 用连续型处理强度（continuous/dose DID）但识别假设没说清

本刊红线（缺一即高危退修）

1. 平行趋势必须画事件研究图（动态效应 + 95% CI，处理前各期系数应不显著）
2. 安慰剂检验必做（随机化处理时点/处理对象 500—1000 次，看真实估计是否落在分布尾部）
3. 交错处理必须用异质性稳健估计——TWFE 在交错+异质性处理效应下有偏（负权重问题）

分支路径

分支 A：标准两期 / 单一时点 DID

• 平行趋势：事件研究图 + 处理前系数联合检验
• 安慰剂：随机分配处理组 ≥ 500 次
• 控制组合理性论证（为什么这些是有效对照）

分支 B：交错（staggered）DID —— 本刊高频

• 必须做 Goodman-Bacon 分解，报告"坏比较（已处理作对照）"权重
• 必须改用异质性稳健估计之一并作为主/稳健结果：
  • Callaway & Sant'Anna（2021）group-time ATT
  • Sun & Abraham（2021）交互加权事件研究
  • de Chaisemartin & D'Haultfœuille（2020）did_multiplegt
  • Borusyak et al. 插补估计 / Gardner two-stage
• 报告 TWFE 与稳健估计的对比，说明结论是否稳定

分支 C：事件研究（event-study）

• 基准期选择明确（通常 t=-1），不要遗漏共线性陷阱
• pre-trend 各期不显著；若显著需讨论预期效应/选择性
• 动态效应图标注处理时点垂直虚线（见 cie-tables-figures）

分支 D：连续/强度型 DID

• 处理强度的外生性论证
• "强度 × 时点"交互的平行趋势：不同强度组趋势一致
• 警惕强度与其他冲击共变

分支 E：识别加固（与 PSM-DID 衔接）

• 分配规则非随机 → PSM-DID（先匹配再 DID，转 cie-robustness）
• 排除同期竞争性政策（剔除其他试点样本/时间窗）

执行桥（StatsPAI / Stata MCP）

把设计跑出来并审计，而不是只做描述。完整映射见 execution-with-mcp。《中国工业经济》偏产业/企业实证，常见政策冲击 DID 与 IV；强调识别与稳健性。

• detect_design → recommend → 用 as_handle=true 拟合 → audit_result 列出尚欠的检查。
• **观察性因果：**交错 DID（callaway_santanna / sun_abraham + bacon_decomposition + honest_did_from_result）；IV（effective_f_test + anderson_rubin_ci）；RDD（rdrobust + mccrary_test）。
• **实验：**随机化推断 + romano_wolf 做多结果族错误率控制。
• 敏感性：oster_delta / sensemakr。

正文报告经济量级，完整 battery 进附录；每个数字都能复现。端到端真跑示例见 JF 执行 walkthrough。若 StatsPAI/Stata 未连接，改用 resources/code/ 并标注未验证数字。

必查清单

• 事件研究图已画（动态系数 + 95% CI）
• 安慰剂检验已做（时点/对象随机化）
• 交错处理：Bacon 分解 + 异质性稳健估计齐全
• 标准误聚类层次合理（通常聚类到处理层级，如城市/行业）
• 回应"预期效应 / 提前响应"
• 剔除同期竞争性政策的干扰

反模式

• TWFE + 交错处理却不谈负权重/异质性偏误（本刊会直接退修）
• "平行趋势满足"一句带过，不画图
• 安慰剂只换一次处理组就称稳健
• 聚类到个体却忽视处理在群组层级（低估标准误）
• 连续 DID 不论证处理强度外生

本刊识别审稿期待与高频退稿模式

审稿期待	达标证据	常见退稿模式
平行趋势可视化	事件研究图 + 处理前联合检验	仅文字"满足"、无图
交错处理不偏	Bacon 分解 + CS/SA/dCDH 主结果	TWFE 跑到底、不提负权重
安慰剂稳健	随机化时点+对象 500—1000 次	只换一次处理组就称通过
聚类合理	聚类到分配层级（城市/行业）	聚类到个体、低估标准误
竞争政策剔除	剔同期试点样本	不提同期政策、识别被混淆

识别类意见是本刊退修的首要触发点；具体口径以编辑部最新外审标准与稿约为准，不臆造拒稿比例。

微型走查：智能制造试点对企业 TFP 的交错 DID

示意稿件：分三批的"智能制造试点示范"，TWFE 得 Treat×Post +0.043。按本刊红线走查：诊断为交错处理后做 Goodman-Bacon 分解（示意坏比较权重 18%，不可忽略）；改用 Callaway-Sant'Anna，示意聚合 ATT +0.038（与 TWFE 接近，稳定），并列 Sun-Abraham；画 t=-4…+4 事件研究图，处理前联合检验 p=0.42（示意）；安慰剂伪试点 1000 次真实 +0.038 落尾部；聚类到城市后标准误升至 0.012 仍 1% 显著。结论：主结果可立，进入 cie-mechanism。

审稿人追问 × 本刊语境修法

• "分批试点还用 TWFE？" → 补 Bacon 分解 + CS/SA 主结果，正文 TWFE 与稳健估计对照。
• "时点是否被企业预期？" → event-study 展示处理前系数不显著，讨论预期性投资，必要时剔处理前 1 期。
• "试点城市本就先进，分配非随机？" → 承接 cie-institutional-background 讲遴选规则，预告 PSM-DID。
• "同期两化融合、宽带中国怎么分离？" → 剔同期试点样本或加其虚拟变量对照。

校准锚点

• 本刊已刊交错 DID 论文普遍同时报告 TWFE、CS/SA 与事件研究图三件套；具体首选估计量以稿件设计与编辑部最新审稿偏好为准。
• 上述权重、p 值、系数均为示意数字。估计量选择（CS/SA/dCDH/Borusyak 插补）无唯一正解，应结合处理结构说明取舍理由。

输出格式

【识别策略】两期DID / 交错DID / event-study / 连续DID
【平行趋势】事件研究图 √ / 缺
【安慰剂】时点随机 □ 对象随机 □ / 缺
【交错处理】Bacon分解 □ CS/SA/dCDH 估计 □ / N.A.
【聚类层级】<…>
【缺失检验】<…>
【下一步】cie-mechanism