| name | mw-identification |
| description | Use when the empirical identification strategy is the bottleneck for a Management-World manuscript — quasi-experimental designs (DID, IV, RDD, DML, event study) with Chinese policy shocks. Stress-tests the design before drafting tables. |
因果识别策略(mw-identification)
触发时机
- 实证主体仅有 OLS + 控制变量,担心被退稿
- 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 / 工具变量内生性疑虑
- 准备用双重机器学习但不确定怎么报告
设计优先级
《管理世界》编委的偏好排序(强 → 弱):
- 政策冲击 + DID(含 staggered / continuous treatment)
- 断点回归(清晰的政策门槛)
- 工具变量(强工具 + 排他性论证)
- 倾向得分匹配 + DID
- 合成控制法
- 双重机器学习 / 因果森林
- OLS + 内生性讨论(容易退稿)
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
- 安慰剂:随机分配处理组 500–1000 次
- 是否汇报 Bacon 分解的"坏比较"权重?
分支 B:IV
- 第一阶段 F 必须 ≥ 10(弱工具 → 用 Anderson-Rubin 或 weak-IV-robust CI)
- 排他性论证至少需要 3 段:理论 / 制度 / 安慰剂
- 是否报告了 reduced form?
分支 C:RDD
- 是否做了 McCrary 检验?
- 带宽:是否使用最优带宽(Calonico-Cattaneo-Titiunik)+ 至少 3 个带宽稳健性?
- 协变量平滑性检验
分支 D:DML
- 报告 sample-split 数 + cross-fitting
- 报告 nuisance 函数选择(lasso / random forest / xgboost)
- 至少给出 5 种不同 ML 学习器的稳健性
必查清单
反模式
- TWFE + staggered 但不讨论异质性处理偏误
- IV 用"外生事件 × 上一期内生变量"——审稿人会问"为何上一期不影响当期"
- "我们认为该政策外生于公司决策"但没给证据
- RDD 用了截断带宽但不汇报带宽敏感性
输出格式
【识别策略】DID / IV / RDD / DML / 其他
【已完成检验】[平行趋势, 安慰剂, 弱工具, ...]
【缺失检验】[...]
【聚类层次】...
【下一步】mw-mechanism-heterogeneity