cte-identification

因果识别策略（cte-identification）

触发时机

• 实证主体仅有描述统计 + OLS + 控制变量
• 核心解释变量是政策 / 制度冲击（税制改革、财政试点、金融监管、贸易政策），但没处理政策内生与预期
• DID 用了 TWFE 但没回应近年异质性处理批评（Goodman-Bacon, de Chaisemartin, Sun-Abraham, Callaway-Sant'Anna）
• IV 第一阶段 F 弱 / 工具变量排他性疑虑
• 用了机器学习控制高维协变量但没做正交化 / 交叉拟合（DML）

设计优先级

《财贸经济》编委对财经实证的偏好排序（强 → 弱）：

1. 财经政策冲击 + DID（含 staggered / continuous treatment）——如营改增、减税降费、财政试点、金融监管改革、自贸区 / 关税调整的分批推行
2. 断点回归 / 断点——清晰的政策门槛（如税收优惠资格线、财政转移支付分档线、监管资本门槛、贫困县 / 城市规模分档）
3. 工具变量——强工具 + 排他性论证（处理政策内生与反向因果的核心武器）
4. 双重机器学习（DML）——高维协变量 / 非线性混淆下的稳健处理效应估计
5. 合成控制法——城市 / 省级政策评估（如单一试点城市）
6. OLS + 严密的内生性讨论（仅在有强外生性论证或结构 / 理论实证时可接受）

财经数据的内生性专项

财经实证最常见的内生性来源，审稿人必查：

• 政策内生：政策是否非随机地投向"本就更好 / 更差"的地区 / 企业（如试点先选基础好的城市）？
• 反向因果：是先有金融风险才有监管，还是监管带来风险变化？
• 预期效应：市场主体是否在政策正式落地前已提前调整（抢出口、突击减税前投资）？
• 测量与口径：财税口径 / 会计科目 / 贸易统计的可比性与操纵空间

针对性策略至少给出一条：固定效应 + 准实验冲击 / IV / 断点 / DML；纯 Heckman 或纯 PSM 仅作辅助，不能单独立住识别。

分支路径

分支 A：DID

• 是否 staggered？→ 必须用 Goodman-Bacon 分解 + Callaway-Sant'Anna 或 Sun-Abraham
• 平行趋势检验：事件研究图必须画，处理时点前系数应不显著
• 安慰剂：随机分配处理组 / 处理时点 500–1000 次
• 连续处理（如税率变动幅度）需回应剂量-反应的异质性偏误

分支 B：IV

• 第一阶段 F 必须 ≥ 10（弱工具 → 用 Anderson-Rubin 或 weak-IV-robust CI）
• 排他性论证至少 3 段：理论 / 制度 / 安慰剂；说明工具只通过处理变量影响结果
• 财经常用工具（地理 / 历史 / 政策外生 / Bartik 份额移动）的内生性也要论证
• 是否报告 reduced form？

分支 C：RDD / 断点

• 是否做了 McCrary / 密度检验（防止企业 / 地方在门槛附近操纵，如为享税收优惠调节规模）？
• 带宽：最优带宽（Calonico-Cattaneo-Titiunik）+ 至少 3 个带宽稳健性
• 协变量平滑性检验；模糊断点需报告一阶段跳跃

分支 D：DML / 双重机器学习

• 用于高维协变量 / 非线性混淆：交叉拟合（cross-fitting）+ Neyman 正交
• 报告不同 ML 学习器（lasso / random forest / boosting）下估计的稳健性
• 说明可识别性仍依赖 CIA / 无未观测混淆假设，不是"上了机器学习就外生"

分支 E：结构估计 / 理论实证

• 市场主体决策模型的微观基础是否清晰？
• 识别假设是否明确列出？
• 是否提供反事实（如税率 / 关税政策模拟）？

Execution bridge (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](../../../shared-resources/empirical-methods/execution-with-mcp.md)。《财贸经济》是财经实证刊，政策评估与企业 / 城市 / 银行面板为主；突出识别与政策内生性处理。

• 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）；高维混淆用 DML（交叉拟合 + 多学习器稳健性）。

• 实验 / 多结果：随机化推断 + romano_wolf 做多结果族错误率控制。
• 敏感性：oster_delta / sensemakr 评估未观测混淆。

正文报告经济量级（相当于均值百分比 / 折算金额），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](../../../Journal-of-Finance-Skills/resources/worked-examples/02-execution-walkthrough.md)。若 StatsPAI / Stata 未连接，改用 resources/code/ 并标注未验证数字。

必查清单

• [ ] 平行趋势 / 平滑性 / 弱工具 / 交叉拟合稳健性 检验都做了
• [ ] 政策内生 / 反向因果 / 预期效应有明确处理（不是一句"我们假设外生"）
• [ ] 安慰剂检验做了（处理时点随机 / 处理组随机）
• [ ] 标准误聚类层次合理（企业 / 城市 / 行业 / 政策推行层级）
• [ ] 是否回应了"政策提前预期"问题（政策落地前的抢跑行为）

反模式

• 纯描述性统计 + OLS 就下因果结论
• 政策非随机投放却当外生冲击处理
• TWFE + staggered 但不讨论异质性处理偏误
• IV 用"历史 / 地理变量"但不论证它不通过其他渠道影响当代财经结果
• RDD 用了门槛但不做密度检验（主体可能操纵分组）
• 上了机器学习就宣称"控制了内生性"

输出格式

【识别策略】DID / IV / RDD / DML / 合成控制 / 结构估计
【政策内生处理】方式：[...]
【已完成检验】[平行趋势, 安慰剂, 弱工具, 交叉拟合, 密度检验, ...]
【缺失检验】[...]
【聚类层次】企业 / 城市 / 行业 / ...
【下一步】cte-mechanism