附录 G — 实证方法与识别
这份笔记回答什么：作者用了哪些实证方法、识别策略是什么、怎么应对内生性。
难度提醒 (初级班)：本笔记会点到 DID、事件研究、双重稳健、三重差分等名词，但只讲它大致是什么、作者为什么用，不推导公式。看不懂细节很正常——先知道有这么个工具、作者为什么选它即可，方法本身留给后续章节和高级班。
G.1 如何生成这份笔记
这是一篇实证经济学论文的 PDF。请只从「实证方法与识别」这一个角度帮我写一份中文笔记，面向计量基础较弱的读者，包含：
- 核心方法——作者主要用了哪些计量方法？每种用一两句话说清它是干什么用的，不要写公式推导。
- 识别策略——作者凭什么相信自己估计的是政策的因果效应，而不是别的东西造成的？处理组、对照组、政策时点分别怎么来的？
- 内生性与稳健性——作者担心哪些干扰 (如趋势不平行、选择偏差、溢出污染)，又用什么办法来缓解？
- 图表与方法与命令对照——挑几张关键回归表或图，说明它用的核心方法和对应的 Stata/R 命令。
要求：只依据论文本身，不编造；名词保持克制；每条结论标注对应的图或表编号。
两种用法：直接用上面的提示词即可 (网页版 ChatGPT / Claude / Codex / OpenCode 都行)；想更稳定可复用，调用课程 skill 02-paper-strategy(论文实证策略解读)。skill 怎么装怎么触发见《AI 工作流与 skills 上手》，不熟悉也不影响——先用提示词。
以下为示例笔记 (已人工核对)。
G.2 核心方法：作者用了哪几件工具
作者的基本策略是把 HCI drive 当作一次准自然实验，比较被政策扶持的产业和没被扶持的产业在政策前后的差异变化。围绕这个基本思路，他用了几件互补的工具：
| 方法 | 一句话：它是干什么用的 |
|---|---|
| 双重差分与事件研究 (DID / event study) | 主力工具。比较处理组与对照组在政策前后的差异，并逐年画出效应随时间的变化曲线，看政策前是否本就平行、政策后效应怎么演化。 |
| 双重稳健 DID(double-robust) | 一种上双保险的 DID：即使对照组选得不完美，只要两道设定里有一道对，估计仍然可靠。用来验证主结果不是靠某个强假设撑起来的。 |
| 跨国三重差分 (DDD) | 再加一层国际对照，扣掉全球同类产业本来就在涨这种干扰，让韩国扶持产业的额外变化更干净。 |
| PPML | 处理出口额、RCA 这类含很多零值或非负的变量时更稳妥的估计方式。 |
为什么要用这么多种？ 不是炫技。作者的底气恰恰来自几种方法给出一致结论——而不是某一个显著的星号。这是顶刊实证的常见做法：用多重互补的估计相互印证。
G.3 识别策略：凭什么说这是因果
一项政策评估可信不可信，关键看处理组、政策时点、对照组是不是站得住脚。作者的三点论证：
- 处理组来自政策文件，不是事后挑选：六大战略产业是 HCI 立法明确点名的。作者把政策文件里的产业名称，手工匹配到韩国行业分类代码 (KSIC)，再落到行业面板上。处理组边界来自政策规则，这是因果解释的前提。
- 政策时点由外生政治事件驱动：1973 年政策启动，背景是尼克松主义下的国防安全危机；1979 年朴正熙遇刺，政策随之转向。这两个时间点不是经济学家事后挑的好看节点，而是外部政治冲击带来的——这让政策前与政策后的比较更可信。
- 政策前的共识支持平行趋势：世界银行等国际机构在政策前普遍认为韩国在重化工业没有比较优势。也就是说，若没有政策，这些产业本不被看好会自己起飞——这从侧面支持了处理组和对照组政策前趋势可比。
G.4 内生性与稳健性：作者担心什么、怎么补
作者主动列出并处理了几类常见质疑：
- 趋势会不会本就不平行——检查政策前若干年处理组与对照组是否已在分化 (pre-trend 检验加事件研究图目测)。
- 对照组选得好不好——用双重稳健 DID 换一套更弱的假设重估，结果模式一致。
- 会不会是全球产业趋势——用跨国 DDD 扣掉国际同类产业的共同变化。
- 溢出会不会污染对照组 (下游产业其实也间接受益，本不该算干净对照)——把对照组限制到与 HCI 关联很弱的产业、并显式控制关联强度，核心结论仍稳。
- 生产率是不是算法造成的——换四种不同的 TFP 估计方法，定性结论一致。
关于「干中学」(越生产越熟练、成本越低) 的机制分析，只是相关性证据，没有完全解决内生性——作者自己也坦承。读顶刊时，注意作者标出的「这里还不够硬」的地方，和看懂结论一样重要。
G.5 图表与方法与命令对照 (中文精要)
顺着论文的关键图表，快速建立「图表对应方法、方法对应命令」，是最高效的读法：
| 关键图或表 | 呈现什么 | 核心方法 | 对应命令 |
|---|---|---|---|
| Figure 2(主结果事件研究图) | 目标产业产出等随时间的动态效应 | TWFE 事件研究 | xtdidregress / reghdfe |
| Table 1(TFP 截面) | 目标产业生产率更高 | 回归 | reghdfe |
| 双重稳健结果 (正文 V.E 节) | 弱假设下的稳健验证 | double-robust DID | csdid(method = dripw) |
| Figure 4(跨国贸易 DDD) | 出口比较优势的额外提升 | 三重差分加 PPML | ppmlhdfe |
| Figure 6–7(产业链联系) | 政策对下游产业的前向溢出 | 连续暴露 DID | reghdfe |
这些命令 (
reghdfe、ppmlhdfe、csdid、xtdidregress) 都是实证常用的外部或内置命令。本讲只需认识它们是用来干什么的；具体语法和原理，会在后续讲以及高级班里学到。
G.6 这套方法能给你什么启发
- 方法是被问题和政策事实逼出来的：作者不是先选定 DID 再找数据，而是先把政策事实拆清楚 (谁被扶持、何时、通过什么渠道)，方法自然浮现。
- 可信度来自多重印证：与其把一个估计做到极致，不如用几种互补方法相互验证。
- 诚实标注不确定性：把「这里是相关不是因果」讲在明处，反而增强了论文可信度。
如果你的研究也是「某项政策是否有效」，可以回到 笔记 (1) 的「从政策事实到研究设计」思路，再对照本笔记看方法能否迁移。想动手看代码怎么落地，进入 笔记 (3)。