异质性分析：分组、交互项与组间系数差异检验

01 为什么要做异质性分析

基准回归给出的是平均处理效应 ATT / ATE，它把所有个体"揉"在一起，掩盖了效应在不同群体间的分化。但政策评估的核心关切往往恰恰是分化：谁受益多、谁受损、谁不受影响？同样一项减税政策，对国有企业和民营企业、对东部沿海与内陆省份、对大企业与小企业、对资本密集与劳动密集行业的效应可能天差地别。异质性分析（heterogeneity analysis）就是要把这个"平均黑箱"打开。

从写作角度看，异质性分析有三重价值：(1) 充实故事——效应在理论预测应当更强的子样本里更强，本身就是对机制的侧面印证；(2) 政策含义——告诉你政策应当向哪个群体倾斜；(3) 回应审稿人——证明你的结论不是某个极端子样本的产物。但要警惕：异质性不是"随便切几刀样本看谁显著"，每一次切分都必须有经济学先验。

02 分组回归法

分组回归（split-sample regression）最直观：按某个维度（所有制、地区、规模、行业）把样本切成两组或多组，分别估计 $Y=\beta X+\gamma'Z+\varepsilon$，比较各组的 $\hat{\beta}$。常见的分组维度包括：

• 所有制：国有 vs 非国有 / 民营 vs 外资；
• 地区：东部 vs 中西部、沿海 vs 内陆、高市场化 vs 低市场化地区；
• 企业规模：大企业 vs 中小企业（按员工数或资产中位数）；
• 行业：高污染 vs 低污染、资本密集 vs 劳动密集、高技术 vs 传统行业；
• 治理/融资特征：高融资约束 vs 低融资约束、高成长性 vs 低成长性。

* ===== 02.1 按所有制分组：国有 vs 非国有 =====
reghdfe Y X $Xctrl if SOE==1, absorb(id year) vce(cluster id)   // 国有
est store h_soe
reghdfe Y X $Xctrl if SOE==0, absorb(id year) vce(cluster id)   // 非国有
est store h_nonsoe
esttab h_soe h_nonsoe, keep(X) se star(* 0.1 ** 0.05 *** 0.01) ///
    mtitles("国有" "非国有")

* ===== 02.2 按地区分组：东部 vs 中西部 =====
reghdfe Y X $Xctrl if east==1, absorb(id year) vce(cluster id)
est store h_east
reghdfe Y X $Xctrl if east==0, absorb(id year) vce(cluster id)
est store h_west

* ===== 02.3 按规模分组：大企业 vs 中小企业 =====
xtile size_grp = lnasset, nq(2)
reghdfe Y X $Xctrl if size_grp==1, absorb(id year) vce(cluster id)
est store h_small
reghdfe Y X $Xctrl if size_grp==2, absorb(id year) vce(cluster id)
est store h_large
esttab h_small h_large, keep(X) se star(* 0.1 ** 0.05 *** 0.01) ///
    mtitles("中小企业" "大企业")

03 交互项法与形式化

交互项法（interaction model）在全样本里一次性估计组间差异，不需要切分样本，且能直接给出差异项的显著性。设 $D$ 为分组虚拟变量（如 $D=1$ 表示国有企业），模型为：

系数解读：$\beta_1$ 是 $D=0$ 组中 $x$ 对 $y$ 的效应；$\beta_3$ 是两组在截距上的差异；$\beta_2$ 是组间效应差异——即 $D=1$ 组的 $x\to y$ 斜率比 $D=0$ 组多（或少）$\beta_2$。$D=1$ 组的总效应为 $\beta_1+\beta_2$。$\beta_2$ 是否显著不为零，正是"两组系数差异是否显著"的直接检验，这比分组回归后肉眼比较严谨得多。

当分组变量是连续变量（如融资约束指数、市场化程度）时，做法完全相同：把 $D$ 换成连续变量 $Z$，交互项为 $x\times Z$，$\beta_2$ 度量 $Z$ 每上升一单位时 $x\to y$ 斜率的变化。为降低多重共线性，连续变量通常先中心化。

* ===== 03.1 分组虚拟变量交互 =====
gen XxD = X * SOE
reghdfe Y X SOE XxD $Xctrl, absorb(id year) vce(cluster id)
* XxD 的系数 beta2 显著 => 国有/非国有两组效应差异显著
* D=1 组总效应 = _b[X] + _b[XxD]

* ===== 03.2 连续变量交互（先中心化）=====
center SA_index, prefix(c_)
gen XxcSA = X * c_SA_index
reghdfe Y X c_SA_index XxcSA $Xctrl, absorb(id year) vce(cluster id)

* ===== 03.3 用因子变量语法自动生成交互并做简单效应 =====
reghdfe Y c.X##i.SOE $Xctrl, absorb(id year) vce(cluster id)
margins SOE, dydx(X)          // 分别给出 SOE=0/1 两组 X 的边际效应
marginsplot                   // 画两组边际效应及置信区间对比

04 组间系数差异检验

当你坚持用分组回归（而非交互项）来报告时，必须正式检验两组系数是否真的不同。三种常用方法：

(1) 似无相关回归 SUR（suest）：把两组回归放在同一系统里估计，利用跨方程误差相关，直接检验 $\beta_{group1}=\beta_{group2}$。

(2) 费舍尔组合检验 / 自体抽样（Fisher permutation / bootstrap）：通过有放回或无放回地重抽样构造"组间系数差"的经验分布，判断真实差异是否落在尾部。中文顶刊常用 bdiff 命令实现。

(3) 交互项法：即上一节的 $\beta_2$ 检验，本质上是在全样本里做一个等价的 Wald 检验，最简洁。

* ===== 04.1 似无相关回归 suest 检验组间差异 =====
* 注意：suest 不能直接用 reghdfe，先用 regress/xtreg 估计并存储
reg Y X $Xctrl if SOE==1
est store g1
reg Y X $Xctrl if SOE==0
est store g0
suest g1 g0
* 检验两组的 X 系数是否相等
test [g1_mean]X = [g0_mean]X
* 输出差异与 p 值：p<0.05 => 组间系数差异显著

* ===== 04.2 费舍尔组合检验：bdiff 命令 =====
* ssc install bdiff
* 语法：bdiff, group(分组变量) model(回归模型) reps(次数)
bdiff, group(SOE) model(reghdfe Y X $Xctrl, absorb(id year) vce(cluster id)) ///
    reps(1000) seed(20240101)
* 输出经验 p 值：diff_p<0.05 => 组间差异显著

* ===== 04.3 交互项法：直接 Wald 检验（最简洁）=====
gen XxD = X*SOE
reghdfe Y X SOE XxD $Xctrl, absorb(id year) vce(cluster id)
test XxD                 // H0: beta2 = 0，等价于组间系数无差异

05 分位数回归 qreg

分组与交互项只回答"在类别维度或单一调节变量上"的异质性。分位数回归（quantile regression, qreg）则回答另一个维度的问题：$x$ 对 $y$ 的效应，在 $y$ 分布的不同分位上是否不同？例如政策对"高生产率企业"和"低生产率企业"（即 $y$ 分布的 90 分位与 10 分位）的影响是否不同？

OLS 估计的是条件均值 $E[y|x]$，而分位数回归估计条件分位数 $Q_\tau(y|x)$：

通过比较 $\beta_1(\tau)$ 在 $\tau=0.1,0.25,0.5,0.75,0.9$ 处的轨迹，可以看到效应是否随 $y$ 分布位置系统性变化。建议同时画系数分位图（coefplot over quantiles）：横轴为分位点，纵轴为 $\hat{\beta}_1(\tau)$ 及其置信区间，与 OLS 的水平线对比。

* ===== 05.1 单个分位点 =====
qreg Y X $Xctrl, quantile(0.25) vce(bootstrap, reps(500))
est store q25

* ===== 05.2 多个分位点联立（分位数回归）=====
qreg Y X $Xctrl, quantile(0.10)
est store q10
qreg Y X $Xctrl, quantile(0.50)
est store q50
qreg Y X $Xctrl, quantile(0.90)
est store q90
esttab q10 q50 q90, keep(X) se star(* 0.1 ** 0.05 *** 0.01) ///
    mtitles("10分位" "50分位(中位)" "90分位")

* ===== 05.3 面板分位数回归（需 xtqreg / usereghdfe）=====
* ssc install xtqreg
xtqreg Y X $Xctrl, quantile(0.50)

* ===== 05.4 画系数沿分位变化图 =====
* 循环估计 0.05~0.95 各分位，记录系数，再 coefplot
* 与 OLS 水平线对比，看效应是否随分位系统性上升/下降

06 异质性的经济学解读

异质性分析最容易"跑而不思"：切完样本、跑完系数就写"在 X 组更显著"。但审稿人真正关心的是这个差异的经济学含义。一个合格的异质性章节，应当回答三个问题：

1. 方向是否与理论一致？如果理论预测"高融资约束组效应更强"，那实证上就应当是高约束组系数更大；若相反，要解释为什么。
2. 大小差异是否有政策含义？差异多大才值得政策上区别对待？不要把统计显著但经济上微小的差异夸大。
3. 是否排除了其他解释？两组系数不同，可能不是因为分组维度本身，而是因为两组在其他协变量上分布不同（如大企业组里高出口企业更多）。要检查协变量的组间平衡。

07 异质性—机制联动

异质性与机制不是两张皮。最强的实证叙事，是让异质性分析反过来印证机制：如果 X 通过渠道 M 起作用，那么在"M 更容易被激活"的子样本里效应应当更强。这就把异质性（谁受影响更大）和机制（通过什么渠道）锁在了一起。

例如：若"数字经济 → 融资约束缓解 → 创新"是机制链，那么异质性分析应当显示：在融资约束更紧、金融发展更弱的地区，数字经济对创新的边际效应更大。这种"异质性方向与机制预测一致"的证据，比单纯的中介系数更有说服力，因为它利用了理论预测的交叉限制（cross-equation restriction）。写作时建议把异质性表和机制表放在同一节，互相引用。

08 逐步流程

09 QTE 分位数处理效应

本页 s5 的条件分位数回归（qreg）回答的是"给定 $X$，$y$ 的条件分位数如何随 $x$ 变化"。但政策评估更关心另一个问题：处理对结果的整个分布产生了什么影响？平均处理效应 ATE 只问 $E[Y(1)-Y(0)]$，它可能掩盖"处理把低收入人群往上拉、却把高收入人群往下压"这种分布层面的故事。分位数处理效应 QTE（Quantile Treatment Effect）就是为此设计的。

9.1 原理：τ_q = Y_q(1) − Y_q(0)

其中 $Q_q(Y(d))$ 是潜在结果 $Y(d)$ 分布的第 $q$ 分位数。$\tau_q$ 度量"处理把第 $q$ 分位的个体收入 / 生产率 / 工资抬高了多少"。把 $q$ 从 0.1 扫到 0.9，就得到一条处理效应的分布曲线：如果 $\tau_q$ 在低分位很大、高分位很小，说明处理主要帮了"底层"；如果 $\tau_q$ 随 $q$ 上升，说明处理加剧了不平等。

9.2 估计方法谱系

• 分位数回归（Koenker & Bassett, 1978）：估计条件分位数 $Q_q(Y\mid X,D)$。在可忽略性下，对处理组、对照组分别拟合分位数回归，再取条件分位之差——但这给的是"条件 QTE"，解释时要固定 $X$。
• Firpo (2007) 重新加权 QTE：在选择观察条件下，用倾向得分把处理组 / 对照组的分布"加权"到同一个反事实分布上，直接估计无条件分位数处理效应 $\tau_q$，Stata 有 qte 命令实现。
• RIF 回归（Firpo, Fortin & Lemieux, 2009）：构造"再中心化影响函数" RIF(Y,q)，对它做 OLS，系数就是处理对无条件分位数的边际效应，Stata 命令 rifreg。
• Callaway & Li (2023) 分布处理效应：在交错处理 / DID 框架下，估计处理对整个结果分布（而非仅均值）的动态因果效应，是 QTE 在面板 / 政策评估下的前沿扩展。

9.3 Stata 完整代码

* ============================================================
* 09.3 QTE 分位数处理效应（模拟数据，set seed）
* ssc install qte        // Firpo(2007) 无条件 QTE
* ssc install rif       // RIF 回归相关
* ============================================================
clear all
set seed 20240101
set obs 2000
drawnorm X1 X2 X3, means(0) sds(1)

* 倾向得分 + 结果：处理效应随 Y 分布变化
gen double e_x = invlogit(X1 + 0.5*X2)
gen byte D = runiform() < e_x
* 真实 QTE：低分位效应大、高分位效应小（处理压缩分布）
gen double u = rnormal()
gen double Y0 = X2 + u
gen double Y1 = Y0 + (1.5 - 1.0*norm(u))   // 低分位(u小)效应≈1.5，高分位≈0.5
gen double Y  = D*Y1 + (1-D)*Y0

* ---- (1) 条件分位数回归：处理组 vs 对照组 ----
qreg Y D X1 X2 X3, quantile(0.10) vce(boot, reps(500))
est store q10
qreg Y D X1 X2 X3, quantile(0.50) vce(boot, reps(500))
est store q50
qreg Y D X1 X2 X3, quantile(0.90) vce(boot, reps(500))
est store q90
esttab q10 q50 q90, keep(D) se star(* 0.1 ** 0.05 *** 0.01) ///
    mtitles("10分位" "50分位" "90分位")
* D 的系数即"条件 QTE"，应看到从 1.5 降到 0.5 的轨迹

* ---- (2) 无条件 QTE：Firpo (2007) 重新加权 ----
* qte Y D X1 X2 X3, q(0.1 0.25 0.5 0.75 0.9)
* 输出各无条件分位点的 QTE 及 bootstrap SE

* ---- (3) 工具变量分位数处理效应（若 D 内生）----
* ivqreg Y D X1 X2 X3 (Z = 工具变量), quantile(0.5)

* ---- (4) RIF 回归：处理对无条件分位数的边际效应 ----
* 先生成第 q 分位的 RIF，再回归 Y~D+X
* 例：rifreg Y D X1 X2 X3, rif(q(0.5))
* 循环 q=0.1...0.9，记录 D 的系数，画 QTE 轨迹图

10 分布分解（DFL / RIF / Oaxaca-Blinder）

QTE 问"处理如何移动结果分布"，分布分解则问：两组（男 / 女、处理 / 对照、政策前 / 后）的结果分布差异，有多少来自"个体特征不同"，有多少来自"特征的回报率不同"？这是 Oaxaca-Blinder 均值分解在分布层面的推广。

10.1 从 Oaxaca-Blinder 到分布分解

经典 Oaxaca-Blinder 只分解均值差 $\Delta\bar Y=\bar Y_A-\bar Y_B$：把它拆成"特征构成效应"（endowment，A、B 的 $X$ 分布不同）与"系数 / 回报效应"（coefficient，同样的 $X$ 在两组回报不同）。但均值分解看不到分布两端——工资性别差距在 10 分位和 90 分位可能完全不同。分布分解把这套逻辑推广到整条分布。

10.2 DFL 重新加权分解（DiNardo-Fortin-Lemieux, 1996）

DFL 的核心是构造一个"反事实分布"：用 A 组的特征、B 组的回报率会得到什么分布？做法是给样本重新加权：

用这个权重调整 B 组样本，使其协变量分布"看起来像"A 组，再比较原 B 分布与加权后分布的分位数差，即为特征构成效应。DFL 的优点是不假设函数形式，缺点是权重对倾向得分误设敏感。

10.3 RIF 回归分解（Firpo-Fortin-Lemieux, 2009）

RIF（Recentered Influence Function）是一个把"分布统计量（分位数、基尼系数、方差）"变换成"可对其做 OLS 的因变量"的工具。对第 $q$ 分位数，RIF 近似等于把"个体对该分位数的贡献"作为因变量做 OLS，系数就是协变量对无条件分位数的边际效应。在 Oaxaca-Blinder 框架下用 RIF 替代 $Y$，就能把均值分解直接搬到任意分位数 / 基尼系数上。

10.4 Stata 完整代码

* ============================================================
* 10.4 分布分解（模拟数据，set seed）
* ssc install oaxaca, replace
* ssc install rif, replace       // RIF 回归
* ============================================================
clear all
set seed 20240101
set obs 3000
gen byte group = _n < 1500          // A=1（如处理组）, B=0
drawnorm educ exper, means(0) sds(1)
* A 组特征更好、回报率更高
gen double Y = 0.8*group + (1 + 0.6*group)*educ + (0.3 + 0.2*group)*exper + rnormal()

* ---- (1) 均值 Oaxaca-Blinder 分解 ----
oaxaca Y educ exper, by(group) detail
* 输出：总差异 = 解释部分(特征) + 未解释部分(回报)

* ---- (2) DFL 重新加权（手工倾向得分加权）----
logit group educ exper
predict double pA, pr
gen double dfl_w = cond(group==1, 1, pA/(1-pA)) * (1-0.5)/0.5
* dfl_w 把 B 组加权成 A 组的协变量分布；
* 用 dfl_w 加权比较 A、B 的 Y 分布（直方图 / 分位数差）

* ---- (3) RIF 分解：在各分位上重复 Oaxaca ----
* 对 q=0.1,0.5,0.9 分别构造 RIF 并做分解
* 循环：
foreach q in 0.1 0.5 0.9 {
    * 生成第 q 分位的 RIF（用 rif 包或手工：
    *   RIF = q + (q - 1(Y<=q)) / f_Y(q)）
    * 再对 RIF 跑 oaxaca
    di "=== 分位 `q` 的 RIF 分解 ==="
    * oaxaca rif_Y educ exper, by(group)
}
* 画出"分位数 — 特征效应 / 回报效应"两条曲线，
* 即 FFL (2009) 标准的分布分解图

11 异质性的其他前沿方法

除本页前 8 节的分组 / 交互 / 分位数与 QTE / 分布分解外，处理效应异质性还有几条前沿路线，这里只做定位与交叉链接，细节在对应页面展开。

• 相关随机系数模型（Correlated Random Coefficients）：允许个体处理效应 $\tau_i=Y_i(1)-Y_i(0)$ 本身随机，并与 $D$ 相关（即"自选择进更受益的组"）。它估计的不是固定 ATE，而是$\tau_i$ 的分布特征（均值、方差、与 $D$ 的相关），工具变量识别其边际分位效应。代表如 Heckman-Urzua-Vytlacil 的 marginal treatment effect (MTE) 框架，与本页 QTE 互补：MTE 沿"进入处理的倾向"维度展开，QTE 沿"结果分布"维度展开。
• 机器学习异质性：因果森林：当异质性维度太多、无法事先用交互项穷举时，用因果森林让数据自动估计 $CATE(x)=E[Y(1)-Y(0)\mid X=x]$ 的整条曲线。详见站内 17 因果森林与政策学习；其"双重稳健 + 正交"的统计基础见 16 DML 去偏机器学习。
• 事前 vs 事后分组异质性：先验理论决定的分组（事前） vs 数据驱动后切分（事后），涉及多重检验与"挑选显著"的判别规范。详见站内 23 显著性手法库与规范判别。

12 论文案例与常见错误

前沿扩展：机器学习与因果推断（DML / 因果森林 / 政策树）

传统异质性分析依赖研究者事先指定的调节变量（所有制、地区、规模……），本质上是在一个低维网格上手动搜索异质性。2018 年以来，机器学习方法被引入因果推断，提供了两条新路线：(1) DML（Double/Debiased Machine Learning）用 Lasso、随机森林、Boosting 等灵活拟合高维混淆函数，再通过 Neyman 正交矩给出半参有效、对模型误设稳健的处理效应估计——当控制变量维度很高时，这是比"手工挑几个控制变量"更稳的稳健性做法；(2) 因果森林（Causal Forest）直接估计个体层面的条件平均处理效应 $CATE(x)=E[Y(1)-Y(0)\mid X=x]$，让数据自己发现"谁受影响更大"的异质性维度，而不必事先切分样本；(3) 政策树 / 政策学习（Policy Tree）则更进一步，把"应当对谁施加政策"当成一个直接的决策问题来优化。下面这些文献是这一前沿的方法与应用代表作。

QTE 与分布分解方法学文献

常见错误

进阶资料

• Melitz (2003), Econometrica — 异质性企业贸易理论。
• Hsieh & Klenow (2009), QJE — 错配与生产率离散。
• Koenker & Bassett (1978) — 分位数回归的原始方法。
• Stata 命令：suest、bdiff、qreg / xtqreg、margins / marginsplot、因子变量 c.X##i.D。