安慰剂检验不是装饰:它是因果模型的故障注入测试
【锚点】这一篇只钉一个判断:【安慰剂检验】不是给读者看的礼貌,而是对【因果估计】做【故障注入】:把处理放到不可能产生效应的地方,看估计管道是否仍会造出效应。 【显式】在双重差分中,【平行趋势】是识别假设。若把处理时间提前到真实干预前,得到【安慰剂效应】;若安慰剂显著,说明【估计量】在泄漏。 【隐式】但安慰剂不显著不等于因果干净。假设真实效应 β_post=0.5,SE=0.2,则 post t=2.5,p≈0.012;若前期混杂趋势 β_pre=0.1,SE=0.2,则 pre t=0.5,p≈0.62。检验通过,但偏差占真实效应的 20%。 【细微】这暴露了统计功效问题:安慰剂检验的阴性常常只是低功效,不是无偏证明。它更像【故障信号】而非【合格证】。更稳的做法是 Rosenbaum 式敏感性分析:问多强的未测混杂会翻转结论。 【流程节点链路】:【起点:观测数据】→【中间节点:识别假设与安慰剂估计】→【终点:因果效应估计】。 【结论】读因果论文时,别问有没有做安慰剂,要问安慰剂检验的样本量、前期窗口和效应尺度,能否检测出你关心的偏差。 【可争论问题】如果一个研究只有 3 个前期期数,安慰剂不显著,你该把它当作弱证据、无效证据,还是必须要求作者给出敏感性分析?







0 Comments