交叠DID专题课-2天

区别于只讲模型原理与Stata命令的课程，本课程引入AI Agent工作流，让AI参与科研全过程，

课程内容覆盖传统DID、多期DID、空间DID、PSM-DID，并通过 Claude Code + Stata MCP + Trae IDE + 专业Skill实现自动化分析。

课程目标：

全流程复刻一篇《数量经济技术经济研究》交叠DID论文，课程不仅教每个估计量的原理和代码，更教选择逻辑——"当处理时间高度异质时选 CS，需要动态效应时选 SA，有进入退出行为时选 de Chaisemartin 新估计量"，并配备 AI 辅助决策与自动化实现。

✅️攻克交叠 DID 前沿难题：

深度理解 TWFE 估计偏误的来源（禁止性比较组、负权重、非平行趋势）

熟练运用 Bacon 分解、负权重检验、Pre-trends 敏感性分析进行诊断

根据研究设计特征，在 dCDH / SA / CS / 堆叠 / 插补 / 合成 DID 等估计量中做出最优选择

✅️AI深度融合：

在每一个关键环节均设计“AI赋能”部分，演示如何通过Trae+智能体+Skills的组合实现自动化或半自动化分析。

课程内容：

模块1：AI Agent 全流程复刻一篇《数量经济技术经济研究》交叠 DID 论文 2026国庆new

1.1 选题与文献定位：交叠政策冲击识别与数据准备

1.2 数据清洗与面板处理：多期多时点处理变量构造

1.3 交叠 DID 识别策略与估计量选择

1.4 异质性稳健估计量自动化：dCDH / Sun-Abraham /Callaway-Sant'Anna / Plug-in / 堆叠 / 插补

1.5 诊断检验自动化：Bacon 分解、负权重检验、事件研究法、Pre-trends 敏感性分析

1.6  论文撰写与结果可视化：多估计量结果对比表、动态效应图

1.7  示例范文：

① 贾洋、汤旭东、刘诗源：《退出制度完善与小微企业创新——来自个人破产试点的证据》，《数量经济技术经济研究》2026年第6期（堆叠/CSDID 异质性稳健估计量）

模块2：交叠DID最新应用的系统梳理

2.1  交叠DID应用在顶刊的统计分析

2.2  中文期刊交叠DID的两种主流趋势

2.3  异质性处理效应的TWFE估计偏误的来源

 2.3.1 禁止性比较组

 2.3.2 负权重问题

 2.3.3 协变量问题

 2.3.4 非平行趋势

2.4 AI赋能：交叠DID识别与图示法的自动化实现

 2.4.1 交叠DID识别

 2.4.2 交叠DID图示法

2.5  交叠DID研究的实用建议

 2.5.1 如何在多期与处理时间变化时，选择合适的DID估计量？

 2.5.2 如何处理非平行趋势的情况？

 2.5.3 交叠DID各种估计方法应用建议

2.6 重要文献解读2篇：

② De Chaisemartin C, D'Haultfoeuille X. Two-way fixed effects and differences-in-differences with heterogeneous treatment effects: A survey[R].National Bureau of Economic Research, 2022.

③ 刘冲,沙学康,张妍.交错双重差分:处理效应异质性与估计方法选择.数量经济技术经济研究, 2023.

模块3：交叠DID检验

3.1 AI赋能：Bacon分解的自动化实现与图形解析

 3.1.1 Bacon分解的图形解析

 3.1.2 Bacon分解Stata官方命令与社区命令结果比较与解读

 3.2.3 Bacon分解的中文应用

3.2 处理组的负权重检验

 3.2.1 负权重检验统计量直观解释

 3.2.2 负权重检验Stata命令实现

3.3 非平行趋势检验

 3.3.1 事件研究法平行趋势检验效力

 3.3.2 如何正确理解新事件研究法的平行趋势检验图

 3.3.3 Pre-trends检验

3.4 重要文献解读2篇：

④ Goodman-Bacon, Andrew, Difference-in-differences with variation intreatment timing, Journal of Econometrics, 2021.

⑤ Roth J, Sant’Anna P H C, Bilinski A, etal.What’s trending in difference-in-differences? Asynthesis of the recent econometrics literature, Journal of Econometrics, 2023.

模块4：组别-时期平均处理效应估计量

4.1 AI赋能：dcdH估计量的自动化实现与应用

 4.1.1 DeChaisemartin和 d'Haultfœuille(2020) 估计量的理论简析

 4.1.2 dcdH估计量扩展到多个处理事件和多期

 4.1.3 dcdH估计量的Stata实现

 4.1.4 dcdH估计量的应用

4.2 AI赋能：SA估计量的自动化实现与应用

 4.2.1 Sun和 Abraham(2021) 估计量的理论简析

 4.2.2 SA估计量的Stata实现

 4.2.3 SA估计量的应用

4.3 AI赋能：CS估计量的自动化实现与应用

 4.3.1 Callaway和 Sant’Anna(2021) 估计量的理论简析

 4.3.2 CS估计量的Stata官方命令与社区命令实现

 4.3.3 CS估计量的应用

4.4 AI赋能：Plug-in估计量的自动化实现与应用

 4.4.1 Roth和Sant’Anna(2023) 估计量的理论简析

 4.4.2 staggered社区命令实现

 4.4.3 Plug-in估计量的应用

4.5 重要文献解读3篇：

⑥ De Chaisemartin C, d'Haultfoeuille X. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review,2020.

⑦ Sun L, Abraham S. Estimating dynamic treatment effects in event  studies with heterogeneous treatment effects[J]. Journal of Econometrics, 2021.

⑧ Callaway B, Sant’Anna P H C.Difference-in-differences with multiple time periods[J]. Journal of Econometrics, 2021.

模块5：基于TWFE改进的新估计量

5.1 AI赋能：异质性稳健TWFE的交叠DID新命令的自动化实现

5.2 重要文献解读1篇：

⑨ Wooldridge J M. Two-way fixed effects, the two-way Mundlak regression, and difference-in-differences estimators[J].Available at SSRN3906345, 2021.

模块6：基于插补方法的估计量

6.1 AI赋能：Imputation估计量的自动化实现与应用

6.2 两阶段DID估计量

6.3 重要文献解读2篇：

⑩ Borusyak K, Jaravel X, Spiess J. Revisiting event study designs: Robust and efficient estimation[J]. Review of Economic Studies, 2024,Forthcoming.

⑪ Braghieri L, Levy R, Makarin A. Social media and mental health[J].American Economic Review, 2022.

模块7：堆叠与局部投影估计量

7.1 AI赋能：堆叠估计量的自动化实现与应用

7.2 AI赋能：局部投影估计量的自动化实现与应用

7.3 重要文献解读2篇：

⑫ Cengiz D,Dube A, Lindner A, et al. The effect of minimum wages on low-wage jobs. The Quarterly Journal of Economics, 2019.

⑬ Dube, A., D. Girardi, Ò. Jordà and A. M.Taylor. A Local Projections Approach to Difference-in-Differences Event Studies. NBER Working Paper 31184, 2023.

模块8：DID与合成控制的结合：合成DID

8.1 合成DID的原理与应用领域

8.2 AI赋能：合成DID的命令实现与自动化分析

8.3 重要文献解读1篇：

⑭ Arkhangelsky D, Athey S, Hirshberg D A, et al.Synthetic difference-in-differences[J]. American Economic Review, 2021.

优惠：

• JG学术培训老学员9折优惠。

在线咨询：

尹老师

电话：13321178792

QQ：42884447

WeChat：JGxueshu