复旦管院顶刊论文+1！打造实证研究“新工具” | 登顶

这项研究的灵感来源于五年前一次印象深刻的投稿经历。当时，我和几位社会科学领域的合作者共同撰写了一篇关于中国产业政策的实证论文。在审稿意见中，有两个问题点醒了我：第一，如何论证回归得到的系数不是相关关系，而是具备可信度的因果效应；第二，评估政策效果，必须合理构建没有接受政策干预的参照对照组。当时，已有的学术文献对面板数据下，针对诸如补贴以及政策强度等这类连续型处理变量并没有相关的因果推断解决方案，这启发了我将研究重心转向观测数据下的因果推断领域。

 

近些年来，面板数据因果推断领域迎来范式革新。很长一段时间，双向固定效应模型（TWFE）是社会科学实证研究评估政策效应的“黄金标准”。但2020-2021年American Economic Review（AER）、Journal of Econometrics（JOE）发表的多篇重磅论文指出，在交错处理的研究场景中，传统双向固定效应估计会产生严重的估计偏误，得到误导性的政策结论，这一发现给计量理论与实证应用领域都带来巨大冲击，相关论文引用量甚至破万。

 

不过，这些研究以及绝大多数后续跟进研究，都局限于二元处理场景，即个体只有“接受处理”和“不接受处理”两种状态。但现实研究中会遇到大量连续、多值处理变量，例如政府补贴额度、企业研发投入、气温、降水、政策强度都属于这一类。如何定义、识别、估计连续处理的因果效应，现有文献的讨论十分有限，我们研究正是想要填补这一学术缺口。

 

本项研究最重要的贡献，就是把实证领域另一个炙手可热的双重去偏机器学习（DML）方法，从传统截面数据拓展到带有双向固定效应的动态面板模型。为适配动态面板，我们构建了Neyman正交矩条件，专门设计适配面板差分结构的样本拆分与交叉拟合流程，再结合广义矩估计GMM，这套框架可以同时兼容二元、多值、连续处理变量；模型内部通过非参数部分捕捉高维、复杂的非线性混淆因素，参数部分刻画处理效应，兼顾模型灵活性与结果可解释性。

 

研究的另一个重要思考是识别假设的处理。传统双重差分依赖平行趋势假设，但越来越多的学者意识到，仅仅依靠干预前的趋势检验，远远不足以充分验证该假设。我们选择动态序贯条件独立假设作为识别基础，该假设可以借助SWIG单世界干预图（有向无环图DAG）开展讨论与核验。因果识别假设本质上属于认识论层面的反事实判断，DAG能够把隐含的因果逻辑可视化、透明化。同行研究者可以直接针对因果图结构提出质疑与批评，不再局限于模糊的文字辩论，让因果推断的论证过程更加公开可审视。

 

落到实践启发上，本研究给广大实证工作者提供了一套完整可用的工具包。当前，已经有不少期刊发表了关于双重机器学习的应用指引，但主要聚焦于截面数据，对于面板数据，尤其是面板数据的旗舰模型TWFE模型一直缺少完备的理论支撑与可复现代码。我们的论文补齐了这一短板，附带完整仿真代码、实证数据。以研究中实证“学龄前儿童数量对女性劳动供给”为例，通过估计随时间累积变化的平均处理效应，观测到每一年新增学龄前儿童，会持续累积压低女性每周工作时长，这种动态累积效应，是传统模型很难完整捕捉的。模拟实验结果也证明，对比朴素GMM，DML‑GMM在估计量偏差、标准差、均方误差均出现大幅度下降。

 

目前，DML原始研究团队的核心成员已经主动联系我们，希望合作开发配套软件，将这套面板DML工具集成到他们的官方平台，这项合作目前正在稳步推进。

 

下一阶段的重点课题是继续拓展本项研究搭建的动态面板DML框架。从目前研究的常规情形下的因果推断问题，进一步推广到中介效应、内生性以及不确定性识别等更复杂的场景，从而为更丰富的实证问题提供统一的识别与估计工具。

回顾选择科研的初心，早在进大学的第一天，当时的环境就让我自然而然地觉得，做科研就是自己要走的路。从本科到博士，好像没有想过要做其他选择，从一开始我就首选能在学术界发展。

 

在科研工作者的成长过程中，需要逐步形成自己的“学术审美体系”。要知道什么问题是真正重要的。关注和解决一些实际问题。因为实际问题通常很复杂，现有的方法很可能并不让你觉得满意，那就找出一个自己感到满意的答案，在寻找答案的过程中，就可能做出创新研究。

 

对有志投身科研工作的年轻同学们，我想强调的一点是，从事科研工作，心理韧性很重要。用一个流行词来形容，就是遇到挫折时“不吃压力”。做研究的过程是一个会持续受到打击的过程。在选择研究课题时，就会遇到各种问题，有时候辛辛苦苦花了几年时间打磨出一篇自己满意的论文，但投稿过程中依然会遇到很多“坎”。例如拒稿、审稿时间很长、审稿人由于研究兴趣或者观点的不同“揪着”某个问题不放等等。这太常见了，要慢慢习惯对这些事情淡然处之。

 

在管院工作了18年，这些年我经常会从课堂上获取研究灵感。在打磨课堂内容时，需要不断提炼对技术细节的直观理解，这样才能让同学更容易理解。有时候，会发现教材或者论文里，对于一些关键结论和技术细节“语焉不详”，你就需要去把这些细节搞清楚，这个过程就可能形成一些研究启发。