当政策效应跨越行政边界:空间溢出下 DID 的识别与估计

大家好,这里是阿水实证通。

做城市、县域政策的 DID,我们经常会选附近地区当对照组。距离近,产业结构和发展环境可能更像,平行趋势也更容易解释。

可附近地区还有另一个特点:它们更容易被政策波及。

试点城市建起产业园,邻市可能接到更多订单,也可能被吸走企业和劳动力。一个县新建医疗机构,隔壁县的居民也可能过去就诊。

行政边界把处理组划出来了,政策效果却未必停在边界上。没有入选政策名单,不等于没有受到政策影响。

这次我们看 Kyle Butts 的工作论文 Difference-in-Differences with Spatial Spillovers,结合作者公开的 R 代码,拆开三个问题:普通 DID 会估计出什么,距离分环怎么做,分期实施的政策又该怎样处理。再沿着 TVA、社区健康中心和机会区三组实证代码,看看这些思路怎样进入实际回归。

对照组被波及以后,DID 到底减掉了什么?

先把最常见的误会说清楚:空间溢出不只是"标准误可能存在空间相关性"。

如果邻近对照地区也被政策影响,变化的就是对照组结果本身。即便换成 Conley 标准误,这部分政策影响也不会自动从系数里消失。

作者把一个地区的潜在结果写成两部分共同决定的函数:自己有没有接受政策,以及自己暴露于多少邻居政策。

这样一来,"政策效果"就需要说明比较的是哪两个世界。

切换效应(switching effect)问的是:邻居的政策状态保持不变,只把本地政策从没有切换到有,本地结果会变多少?这个效果还可能随着邻居暴露程度改变。

处理组总效应(total effect on the treated)问的是:相对于所有地方都没有政策的世界,实际这套政策安排让处理地区改变了多少?它包含本地政策和邻居政策共同带来的影响。

这里的"总",指的是处理地区承受的整体影响,不是全国所有地区政策收益的加总。

在两期设定、无预期效应和"无政策、无暴露"反事实平行趋势成立时,作者得到一个很直观的分解:

τDID=τtotal−τspill(0). \tau_{\mathrm{DID}}=\tau_{\mathrm{total}}-\tau_{\mathrm{spill}}(0). τDID=τtotal−τspill(0).

右边最后一项,是政策对全部未处理地区的平均溢出影响,其中也包括没有被波及的地区。

为什么是减号?因为 DID 本来就要减去对照组的变化。对照组变化里有政策带来的部分,这一减,就把它一起扣掉了。

因此,正向溢出会把 DID 估计值往下推,负向溢出会把它往上推。"往下"不一定等于"离零更近",还要看总效应本身的符号。

更关键的是,把对照组的溢出偏误处理掉,也不能直接把剩下的系数叫作本地纯直接效应。处理地区自己仍可能受到其他处理地区的影响;识别切换效应,需要额外处理暴露可比性及相应的识别条件。

作者的办法:把附近对照组单独拎出来

如果目标是处理组总效应,作者提出的核心条件是:溢出具有局部性,超过某个范围,就不再受到政策影响。

我们不必先假定溢出一定按距离线性衰减。但必须能找出足够覆盖潜在溢出的范围,并留下未处理、未暴露的对照地区。

这就把样本分成了三类:直接接受政策的地区,未接受政策但可能被波及的附近地区,以及未接受政策、也未被波及的较远地区。

用第三类地区估计反事实变化,保留全部处理地区,就可以在相应平行趋势和无预期效应条件下识别处理组总效应。

注意,较远不等于天然可比。剔除附近地区以后,平行趋势需要针对新的有效对照组重新论证;每扩大一次排除范围,对照组及识别假设都可能改变。

作者进一步把附近地区分成互不重叠的距离环。以同一时间实施政策的两期设定为例,回归可以写成:

Yit=αi+λt+τ(Di×Postt)+∑jγj(1−Di)×Ringij×Postt+εit. Y_{it}=\alpha_i+\lambda_t+\tau(D_i\times Post_t) +\sum_j\gamma_j(1-D_i)\\times Ring_{ij}\\times Post_t+\varepsilon_{it}. Yit=αi+λt+τ(Di×Postt)+j∑γj(1−Di)×Ringij×Postt+εit.

其中,DiD_iDi 表示本地是否属于处理组,PosttPost_tPostt 表示政策后,RingijRing_{ij}Ringij 表示地区是否落在第 jjj 个距离环内。乘上 1−Di1-D_i1−Di,是为了把这些环变量限定在未处理地区。

这些环共同覆盖潜在溢出范围,环外未处理地区承担反事实比较。系数 τ\tauτ 对应处理组总效应;各个 γj\gamma_jγj 则描述对应距离环内未处理地区的平均溢出。

把 γj\gamma_jγj 解释为因果效应,还要求每个距离环与环外对照组具有相应的反事实平行趋势。距离划分本身不能提供这个保证。

为什么不只放一个"附近地区"虚拟变量?因为一个大范围的平均值,可能把很近处的明显溢出和较远处的零效应混在一起。分环能让我们看清这种差异。

作者重新分析田纳西河流域管理局(TVA)政策时,就用了 0---50、50---100、100---150、150---200 英里四个环。先看地图,彩色部分都是政策区域外、被单独识别的附近县。

图源:作者网站 PDF,第 14 页 Figure 1。距离单位为英里;彩色地区表示距离分组,不表示已经证实存在溢出。

仓库的 code/TVA/analysis.R 把这个过程拆得很清楚。先看距离和环变量。下面保留实际进入分环回归的四个环;数据读取及区域合并沿用原脚本。

r 复制代码
# 各县的区域内代表点,到合并后的 TVA 区域的距离
dist_mat <- st_distance(counties |> st_point_on_surface(), tva)
counties$dist_to_tva <- dist_mat[, 1] |>
  units::set_units("mi") |>
  units::drop_units()

# 合并距离,并把四个环限定在未处理县
df_reg <- df |>
  left_join(counties |> st_drop_geometry(), by = "fips") |>
  mutate(
    tva_0_50 = !tva & dist_to_tva >= 0 & dist_to_tva < 50,
    tva_50_100 = !tva & dist_to_tva >= 50 & dist_to_tva < 100,
    tva_100_150 = !tva & dist_to_tva >= 100 & dist_to_tva < 150,
    tva_150_200 = !tva & dist_to_tva >= 150 & dist_to_tva < 200
  )

st_point_on_surface() 为每个县选取区域内的代表点,st_distance() 计算它到 TVA 区域的距离,set_units("mi") 将距离统一为英里。

这里有一个容易看混的同名对象:第一段中的 tva 是合并后的区域几何;mutate() 中的 tva 则是回归数据里的处理标记。!tva 把直接处理县排除出溢出环,避免把本地处理和邻近暴露混在一起。

接着,作者按政策前变量预测县是否属于 TVA,保留预测概率较高的样本。这一步延续了原研究寻找较可比地区的做法。

r 复制代码
# ..controls 已由原脚本的 setFixest_fml() 定义
tva_logit <- fixest::femlm(
  tva ~ ..controls, data = df_reg, family = "logit"
)
df_reg <- df_reg |>
  mutate(
    phat = predict(tva_logit, df_reg),
    keep = phat > quantile(phat, probs = c(0.25), na.rm = TRUE)
  )

# 长期结果:每十年的对数就业变化,双侧 1% 缩尾
df_reg <- within(df_reg, {
  D_lnagr = winsorize((lnagr2000 - lnagr40) / 6, 0.01)
  D_lnmanuf = winsorize((lnmanuf2000 - lnmanuf40) / 6, 0.01)
})

phat 是入选 TVA 的预测概率,keep 保留高于其第 25 百分位数的县。它是样本筛选,不能单独证明平行趋势成立。

1940---2000 年相隔六个十年,所以就业的对数变化要除以 6。原脚本的 winsorize() 把低于第 1 百分位数、高于第 99 百分位数的值分别压到这两个边界。短期结果用 1940---1960 年的变化除以 2,生成 D_lnagr_short 和 D_lnmanuf_short。

最后,比较不含距离环和含距离环的两组回归。下面是原脚本的核心估计式,依赖前面已经准备好的结果变量、经纬度及控制变量。

r 复制代码
reg_controls <- feols(
  c(D_lnagr, D_lnmanuf, D_lnagr_short, D_lnmanuf_short) ~
    tva + ..controls,
  data = df_reg |> filter(keep == 1),
  vcov = vcov_conley(lat = "lat", lon = "lon", cutoff = "100mi")
)

reg_spill <- fixest::feols(
  c(D_lnagr, D_lnmanuf, D_lnagr_short, D_lnmanuf_short) ~
    tva + tva_0_50 + tva_50_100 + tva_100_150 + tva_150_200 + ..controls,
  data = df_reg |> filter(keep == 1),
  vcov = vcov_conley(lat = "lat", lon = "lon", cutoff = "100mi")
)

c(...) 让 fixest 分别估计四个结果变量。两组回归使用相同的筛选样本和控制变量,主要变化是第二组单独识别四个溢出环。在相应的条件平行趋势成立时,tva 系数对应处理组总效应,四个环的系数对应附近未处理县的平均溢出。

vcov_conley() 处理的是误差项的空间相关性。前面的环变量改变政策效果的比较方式,这里的标准误设定影响统计推断。这两步各自有作用。

复现时还要留意一个版本差异:当前所引代码使用 100mi 的 Conley 截断,而本文所引 PDF 的表注写的是 200 英里。下面的精确系数和显著性按 PDF 原表解读;本文没有运行代码重新生成该表。

结果看第 15 页 Table 1 的 Panel A,重点比较第(1)、(2)列:

图源:作者网站 PDF,第 15 页 Table 1。括号内为标准误;星号表示原表的显著性水平。

农业就业系数从 −0.0514 变为 −0.0739。按小幅对数变化近似解释,分别是每十年约下降 5.1% 和 7.4%,不是六十年的累计降幅。

附近县的农业就业也出现下降,所以原来的 DID 把处理地区的下降幅度压小了。这个结果与政策区域吸引周边农业劳动力的解释一致。

制造业系数则从 0.0560 变为 0.0350,正向点估计缩小,而且纳入溢出后的本地系数在原表中不再具有常规统计显著性。不能只看到点估计为正,就写成"政策显著促进制造业就业"。

同一项政策,溢出怎样改变结论,还要结合结果变量和效应方向判断。

政策分期实施时,第一阶段的样本也要改

如果各地不是同一年开始政策,空间暴露就会随年份变化。

一个城市还没轮到自己试点,却可能已经被邻市的试点影响。尚未处理的观测,也未必适合用来估计无政策趋势。

作者把这一点放进两阶段 DID/插补估计思路:

第一步,只使用当期未处理、未暴露的观测,估计单位固定效应、时间效应及相应控制项,得到无政策结果的预测。

第二步,在完整分析样本中,用实际结果减去这份预测,再估计本地处理和邻近溢出的效果;做事件研究时,分别放入两套事件时间指标。

仓库的 code/CHC/analysis.R 提供了社区健康中心的例子。它逐年计算:周围 25 英里内是否有符合研究定义、已经开放的健康中心。

先看原脚本计算暴露的函数。它在每个年份内调用,因此 min(year) 取到的是这一组观测共同的当年年份。

r 复制代码
within_x_treat <- function(dist, year, chc_year_exp, geometry) {
  y <- min(year)
  treated <- (chc_year_exp <= y) &
    (chc_year_exp > 0) & (chc_year_exp <= 1974)

  dist_mat <- st_distance(geometry, geometry) |>
    units::set_units("mi") |>
    units::drop_units()

  within <- (dist_mat > 0) & (dist_mat < dist)
  return(as.numeric((within %*% treated) > 0))
}

treated 标记当年已经开放、且符合"1974 年及以前设立"研究范围的健康中心县。within 是距离邻接矩阵:两县距离大于零且小于指定半径时取 1,零距离被排除。

矩阵乘法 within %*% treated 计算每个县半径内符合条件的已处理邻居数。再判断是否大于零,就得到"至少有一个已处理邻居"的暴露标记。

它用的是当期已处理邻居,而不是整个样本期内最终会被处理的邻居。如果提前把未来才开放的健康中心算进去,暴露时间就会被写错。

接下来,原脚本逐年构造处理和暴露。以下摘录省略了前面的数据读取、空间合并及年份筛选。

r 复制代码
df_spill <- df |>
  group_by(year) |>
  filter(year <= 1988) |>
  mutate(
    treat = as.numeric((chc_year_exp <= year) & (chc_year_exp != 0)),
    within_25 = within_x_treat(25, year, chc_year_exp, geometry),
    within_25 = within_25 * (1 - treat)
  ) |>
  ungroup()

最后一行把邻近溢出限定在当期未处理地区。这样,treat 和调整后的 within_25 互斥,相加就能得到"处理或暴露"的标记。

事件研究还需要两套时间。下面保留原脚本的关键变量定义;min_year() 是原脚本的辅助函数,在已经按年份排序的县内,返回首次 within_25 == 1 的年份,从未进入暴露状态则返回 0。

r 复制代码
df_spill <- df_spill |>
  arrange(fips, year) |>
  group_by(fips) |>
  mutate(
    rel_year = case_when(
      chc_year_exp == 0 ~ -1,
      chc_year_exp >= 1975 ~ -1,
      TRUE ~ year - chc_year_exp
    ),
    year_within_25 = min_year(year, within_25),
    spill_rel_year = case_when(
      year_within_25 == 0 ~ -Inf,
      treat == 1 ~ -Inf,
      TRUE ~ year - year_within_25
    ),
    treat_or_spill = treat + within_25
  ) |>
  ungroup()

rel_year 按本地健康中心开放时间计算;spill_rel_year 按首次进入邻近暴露状态的年份计算。原脚本把没有进入溢出事件研究的观测设为 -Inf,并把它指定为该组事件指标的省略类别。

两套时钟要分清。对邻近地区而言,暴露开始的时间可能早于它自己接受政策的时间;自己接受政策后,也不再进入这里的未处理地区溢出指标。

然后是 did2s() 的估计。下面为了突出估计式,将原脚本的缺失值处理与空间列移除整理到调用之前;第一阶段控制项、固定效应、第二阶段和权重设定保留原定义。

r 复制代码
df_es <- df_spill |>
  sf::st_drop_geometry() |>
  drop_na(
    D_tot_act_md_t, D_60pctnonwhit_t, D_60pctrurf_t,
    D_60pcturban_t, D_pct59inclt3k_t, R_tranpcret,
    R_tranpcpa1, H_bpc, H_hpc, Durb_trend, stfips_trend
  )

es_2 <- did2s(
  data = df_es,
  yname = "amr",
  first_stage = ~ D_tot_act_md_t +
    D_60pctnonwhit_t + D_60pctrurf_t +
    D_60pcturban_t + D_pct59inclt3k_t +
    R_tranpcret + R_tranpcpa1 + H_bpc + H_hpc |
    fips + year + Durb_trend + stfips_trend,
  second_stage = ~ i(rel_year) + i(spill_rel_year, ref = -Inf),
  treatment = "treat_or_spill",
  weights = "popwt",
  cluster_var = "stfips"
)

这里最值得借鉴的是 treatment = "treat_or_spill":第一阶段排除的不仅是已处理观测,也包括已暴露的未处理观测。它用两者都为零的观测估计无政策结果。

yname = "amr" 指定死亡率结果变量。第一阶段的 fips 和 year 分别是县、年份固定效应,Durb_trend 和 stfips_trend 是原脚本构造的城市化分组与年份、州与年份的组合固定效应。

第二阶段的 i(rel_year) 与 i(spill_rel_year, ref = -Inf) 分别估计处理和溢出的动态效果;weights = "popwt" 使用人口权重,cluster_var = "stfips" 按州聚类推断。treatment 在这里决定第一阶段哪些观测可用,第二阶段要估计哪些效果,则由 second_stage 指定。

估计结果看下面这张原图:红色是处理地区效果,蓝色是附近未处理地区的溢出估计。

图源:作者网站 PDF,第 22 页 Figure 2。纵轴为每十万人死亡人数的变化;两组指标分别对应本地处理和首次溢出暴露的事件时间。

处理地区的死亡率下降,而 25 英里内未处理地区的溢出估计没有显著偏离零。这个例子说明,加入空间溢出设计,也可能帮助判断原结论是否稳健。

但"不显著"不能单独证明溢出严格为零。它仍受暴露范围、分组方式、估计精度和识别假设约束。

机会区代码:把距离环与政策后相乘

第三组应用是机会区(Opportunity Zones)。code/OZ/spillovers.R 比较获批地区与符合资格但未获批地区、附近地区,并把邻近溢出加入房价变化的回归。

先找每个普查区到最近获批地区的距离:

r 复制代码
selected <- geos[geos$status == "Selected", ]
geos$distance_to_nearest <-
  kfbmisc::st_nearest_distance_rcpp(geos, selected)[, 2]

这里的 geos 已经按原脚本取了普查区的区域内代表点。辅助函数默认输出英里,结果第一列是最近地区的索引、第二列是距离,所以代码取 [, 2]。

把距离合并进面板后,作者构造两个互不重叠的环,再与政策后相乘。下面只调整换行,保留原脚本定义。

r 复制代码
tracts$within_half <-
  tracts$distance_to_nearest <= 1 / 2 &
  tracts$distance_to_nearest > 0
tracts$within_1 <-
  tracts$distance_to_nearest <= 1 &
  tracts$distance_to_nearest > 1 / 2

tracts$within_half_and_post <-
  as.numeric(tracts$within_half & tracts$year >= 2018)
tracts$within_1_and_post <-
  as.numeric(tracts$within_1 & tracts$year >= 2018)

within_half 对应 0---0.5 英里,within_1 实际对应 0.5---1 英里,不是所有 1 英里内地区。不能只看变量名来判断它的含义。

代码通过距离大于零排除直接获批地区的自身位置。真正进入回归的是带 _and_post 的两个变量,因为作者要识别的是政策后附近地区额外发生的变化。

r 复制代码
spill <- feols(
  annual_change ~
    treatment_and_post + within_half_and_post + within_1_and_post +
    i(year, log_median_household_income, ref = 2017) +
    i(year, total_housing, ref = 2017) +
    i(year, pct_white, ref = 2017) +
    i(year, pct_higher_ed, ref = 2017) +
    i(year, pct_rent, ref = 2017) +
    i(year, pct_native_hc_covered, ref = 2017) +
    i(year, pct_poverty, ref = 2017) +
    i(year, pct_supplemental_income, ref = 2017) +
    i(year, pct_employed, ref = 2017) |
    year + tract,
  data = tracts, cluster = ~state_abbr
)

annual_change 是房价年度变化结果,treatment_and_post 是直接处理与政策后的交互变量,两个距离环交互项描述附近未处理地区的政策后变化。

i(year, ..., ref = 2017) 让相应协变量与年份交互,以 2017 年为参照;竖线后的 year + tract 是年份和普查区固定效应,标准误按州聚类。

这和 TVA 的分环思路是一致的,只是 TVA 已经对结果做了前后差分,而这里直接使用面板,所以需要把距离环与政策后相乘。

仓库的 code/OZ/replication.R 还运行了普通 DID 和 att_gt() 等基准复现。换用现代 DID 估计器,并不会自动把空间溢出处理掉。空间暴露怎样定义、哪些观测承担反事实比较,仍要在研究设计和代码里落实。

如果你的论文也有空间溢出的担忧,先落实三件事:

  • 明确目标。你要回答处理地区承受的整体影响,还是固定邻居政策状态后的本地切换效应?
  • 明确暴露。距离、接壤、通勤或供应链联系,哪个更符合政策传导机制?分期实施时,暴露必须按当期已实施的政策构造。
  • 重新论证比较。把潜在溢出地区单独识别后,剩下的对照组是否仍然可比?事件研究和统计推断也要匹配这套设计。

如果冲击广泛扩散,找不到未暴露的对照地区,就不能直接套用这套局部溢出设计。两阶段推断还需要考虑第一阶段估计的不确定性;空间相关性则是另一个需要处理的推断问题。

这篇文章最值得带回自己论文里的,是开始分组前的那个判断:谁没有接受政策,谁没有受到政策影响------这两份名单,未必相同。

相关推荐
WiKiLeaks_successor5 天前
R_day3(DataType:matrix)
r语言
喵本喵叁肆7 天前
Rényi 差分隐私:把隐私损失看成一族矩(英文原题:Rényi Differential Privacy (CSF 2017))
开发语言·r语言
电科_银尘12 天前
【深度学习项目实战·17】行人目标检测:用Faster R-CNN找出图片中的行人
深度学习·目标检测·r语言
Biotree_202521 天前
实验谱库检索不再是唯一答案:AIMe依托预测质谱空间,实现小分子MS²全域注释检索
r语言
Canmag 兴隆磁性24 天前
回复磁导率 μ_R:永磁体在动态磁路中的关键参数
开发语言·学习·r语言·永磁材料·充磁·磁导率
临床数据科学和人工智能兴趣组1 个月前
提取匹配模式的第一个值
人工智能·r语言·1024程序员节·r语言-4.2.1·临床试验·临床科研·科学问题
临床数据科学和人工智能兴趣组1 个月前
在数据分析和处理过程中,字符串的操作常常扮演着极其重要的角色。R语言内置了多种功能强大的字符串处理函数,gsub() 就是其中之一
数据分析·r语言·r语言-4.2.1·临床研究·临床试验·临床科研
dfjdkfahkjd1 个月前
开源项目吐槽大会:技术文章大纲
r语言
爱读书的小胖1 个月前
Codewars:Last digit of a large number(C)解题分析
c语言·开发语言·r语言