AI助力：DID前沿专题--交叠DID

2026new：我们不再满足于"学会软件操作"，而是构建专属DID研究智能体

课程目标：

落地交叠 DID 前沿方法：

破解 TWFE 估计偏误难题，掌握 Bacon 分解、负权重检验、非平行趋势检验等核心技巧，能熟练运用 dcdH、SA、CS 等前沿估计量，对接顶刊最新研究范式。

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：

第1讲 交叠DID最新应用的系统梳理

1.1  交叠DID应用在顶刊的统计分析

1.2  中文期刊交叠DID的两种主流趋势

1.3  异质性处理效应的TWFE估计偏误的来源

 1.3.1 禁止性比较组

 1.3.2 负权重问题

 1.3.3 协变量问题

 1.3.4 非平行趋势

1.4 AI赋能：交叠DID识别与图示法的自动化实现

 1.4.1 交叠DID识别

 1.4.2 交叠DID图示法

1.5  交叠DID研究的实用建议

 1.5.1 如何在多期与处理时间变化时，选择合适的DID估计量？

 1.5.2 如何处理非平行趋势的情况？

 1.5.3 交叠DID各种估计方法应用建议

1.6 重要文献解读2篇：

① 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.

② 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.

第2讲 交叠DID检验

2.1 AI赋能：Bacon分解的自动化实现与图形解析

 2.1.1 Bacon分解的图形解析

 2.1.2 Bacon分解Stata官方命令与社区命令结果比较与解读

 2.2.3 Bacon分解的中文应用

2.2 处理组的负权重检验

 2.2.1 负权重检验统计量直观解释

 2.2.2 负权重检验Stata命令实现

2.3 非平行趋势检验

 2.3.1 事件研究法平行趋势检验效力

 2.3.2 如何正确理解新事件研究法的平行趋势检验图

 2.3.3 Pre-trends检验

2.4 重要文献解读2篇：

③ Goodman-Bacon, Andrew, Difference-in-differences with variation intreatment timing, Journal of Econometrics, 2021.

④ 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.

第3讲 组别-时期平均处理效应估计量

3.1 AI赋能：dcdH估计量的自动化实现与应用

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

 3.1.2 dcdH估计量扩展到多个处理事件和多期

 3.1.3 dcdH估计量的Stata实现

 3.1.4 dcdH估计量的应用

3.2 AI赋能：SA估计量的自动化实现与应用

 3.2.1 Sun和 Abraham(2021) 估计量的理论简析

 3.2.2 SA估计量的Stata实现

 3.2.3 SA估计量的应用

3.3 AI赋能：CS估计量的自动化实现与应用

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

 3.3.2 CS估计量的Stata官方命令与社区命令实现

 3.3.3 CS估计量的应用

3.4 AI赋能：Plug-in估计量的自动化实现与应用

 3.4.1 Roth和Sant’Anna(2023) 估计量的理论简析

 3.4.2 staggered社区命令实现

 3.4.3 Plug-in估计量的应用

3.5 重要文献解读3篇：

⑤ De Chaisemartin C, d'Haultfoeuille X. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review,2020.

⑥ Sun L, Abraham S. Estimating dynamic treatment effects in event  studies with heterogeneous treatment effects[J]. Journal of Econometrics, 2021.

⑦ Callaway B, Sant’Anna P H C.Difference-in-differences with multiple time periods[J]. Journal of Econometrics, 2021.

第4讲 基于TWFE改进的新估计量

4.1 AI赋能：异质性稳健TWFE的交叠DID新命令的自动化实现

4.2 重要文献解读1篇：

⑧ Wooldridge J M. Two-way fixed effects, the two-way Mundlak regression, and difference-in-differences estimators[J].Available at SSRN3906345, 2021.

第5讲 基于插补方法的估计量

5.1 AI赋能：Imputation估计量的自动化实现与应用

5.2 两阶段DID估计量

5.3 重要文献解读2篇：

⑨ Borusyak K, Jaravel X, Spiess J. Revisiting event study designs: Robust and efficient estimation[J]. Review of Economic Studies, 2024,Forthcoming.

⑩ Braghieri L, Levy R, Makarin A. Social media and mental health[J].American Economic Review, 2022.

第6讲 堆叠与局部投影估计量

6.1 AI赋能：堆叠估计量的自动化实现与应用

6.2 AI赋能：局部投影估计量的自动化实现与应用

6.3 重要文献解读2篇：

⑪ Cengiz D,Dube A, Lindner A, et al. The effect of minimum wages on low-wage jobs. The Quarterly Journal of Economics, 2019.

⑫ 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.

第7讲 DID与合成控制的结合：合成DID

7.1 合成DID的原理与应用领域

7.2 AI赋能：合成DID的命令实现与自动化分析

7.3 重要文献解读1篇：

⑬ 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