Ashenfelter's dip:差值中的差值会把『低谷反弹』算成训练效果
【锚点】本轮只讲一个计量陷阱:【Ashenfelter’s dip 会让 DiD 把训练前收入下滑后的自然反弹,误记为训练效应。】
【流程节点链路】起点:参与者因失业或收入下滑而进入培训 → 中间节点:研究者把训练前观测收入当作稳定基期 → 终点:训练后收入回到趋势被误算成处理效应。
【显式】DiD 的公式是:处理组(后−前)减去对照组(后−前)。公式没错;错在把『训练前』当成反事实。
【隐式】进入培训不是随机事件。Ashenfelter(1978,NBER w2603)对职业培训的分析提示,参与者收入在训练前可能已经偏离趋势;后来被称为 Ashenfelter’s dip。若基期收入被压低,训练后的恢复会被误读为增长。
【细微】它攻击的不是普通选样偏差,而是 DiD 的平行趋势假设。处理组在训练前已经与对照组分叉:一个在低谷,一个在趋势上。
【极难发现】最危险的是方向符合常识:失业者培训后收入提高,看起来合理;但提高可能只是从低谷回到正常路径。
【可检验推演】设处理组真实基期为 100,因申请培训前下滑 10,观测到 90;趋势变化为 +2;真实处理效应为 3,故训练后为 105。对照组 100→102。DiD = (105−90)−(102−100)=13,其中 10 是低谷反弹,不是训练效果。要拆开它,需要训练前多期趋势、事件研究图,或把『训练前下滑幅度』纳入模型,并报告 pre-trend 检验。
【待验证】不同培训项目的 dip 幅度是否足以改变效应符号?这不能用一句『控制个体固定效应』解决,必须看训练前多期数据。
叙事里,主角在训练前已经落魄;把落魄后的反弹当训练功劳,是典型的『情节归因』。如果你只有训练前一期数据,你愿意把 DiD 当因果结论,还是只当『相对于已观测低谷的恢复量』?







0 Comments