【新文速递】从完美到实用：战略管理研究中因果推断的部分识别方法-桂林理工大学商学院

【文章信息】

原文标题： From perfect to practical: Partial identification methods for causal inference in strategic management research

原文作者：Justin Frake¹，Anthony Gibbs ²，Brent Goldfarb³，Takuya Hiraiwa³，Evan Starr ³ ， Shotaro Yamaguchi ⁴

作者单位：

a密歇根大学，安娜堡，美国

b普渡大学，西拉法叶，美国

c马里兰大学，大学公园市，美国

d马里兰大学，大学公园市，美国

e马里兰大学，大学公园市，美国

f威斯康星大学麦迪逊分校，麦迪逊，美国

关键词：因果推断；部分识别；内生性；工具变量；双重差分

原文链接：https://doi.org/10.1002/smj.3714

【文章亮点】

1.填补方法应用缺口：首次系统记录了战略管理领域DID和IV研究中部分识别方法的应用状况——在2020–2022年50篇实证研究中，DID研究的使用率为0%，IV研究也仅有8%。该文将前沿方法引入战略管理研究，提供了详尽的实践操作指南。

2.提供两种实操工具：分别针对DID的平行趋势假设（Rambachan & Roth, 2023 “onestdid”）和IV的排他性约束假设（Conley et al., 2012 “plausibly exogenous”）给出敏感性分析工具，使研究者能够在假设不成立时仍进行有效的因果推断。

3.量化“breakdown threshold”概念：明确找出使置信区间首次包含零的临界阈值。在DID部分，可量化允许处理后趋势偏差是处理前的多少倍；在IV部分，可量化排他性约束违反参数γ需达到多大才会推翻结论。

4.实证发现“第一个专利”提升流动性：对172,765名美国工程师/科学家长达20年的追踪发现，首个专利使员工跨企业流动性提升约10% ，与已有文献“专利降低流动性”的主流结论形成鲜明对比，为创新与人力资本管理提供了新的启示。

【文章导读】

战略管理研究常常面临一个棘手的问题：企业和员工的选择具有高度的内生性——我们无法通过随机对照实验来评估某一决策的因果效应。于是，越来越多研究转向准实验设计，其中最常用的当属双重差分（DID）和工具变量（IV）。

然而，这两种方法都各自依赖一个不可检验的核心假设：DID要求“平行趋势”——处理组和对照组在未受处理情况下应保持相同的变化轨迹；IV则要求“排他性约束”——工具变量只能通过内生解释变量来影响结果。

问题在于，研究者往往有理由怀疑自己并不恰好满足这些假设，却在报告结论时将其视为理所当然。这可能导致结论严重有偏，而研究者对此却浑然不觉。以上在战略管理研究领域使用0%（DID）和8%（IV）的低比例，从侧面反映了这一问题的普遍性。

面对这一困局，Frake等人在此项研究中引入了“部分识别”方法，为研究者提供了一套新的工具：不再要求假设完美成立，而是允许一定程度的偏离，并通过量化偏离程度来评估结论的稳健性。

在DID部分，作者采用Rambachan和Roth(2023)的相对幅度法。当观察到处理前存在“发明者低谷”（即首次获得专利的发明者在申请前几年流动性异常下降）时，该方法帮助量化了处理后反弹幅度需要达到前低谷的1.3倍才会推翻原有结论，并基于这一阈值判断出：首个专利很可能增加流动性。

在IV部分，作者采用审查员宽松度作为工具变量，并辅以Conley et al.(2012)的UCI敏感性分析。借助DAG识别可能违反排他性约束的路径，同时检验是否需要γ达到0.0008（仅占简化式效应11%）才会推翻结论。结合领域知识认为γ更可能为负后，作者判断出专利授权对流动性的正向效应依然稳健可信。

综合两种方法，“部分识别”的核心理念是将因果推断的信心视为连续光谱，而非简单的二元判断。假设越弱，结论越可信。它与完美假设传统DID/IV的区别在于：不再假装假设成立，而是坦诚地问一句——“需要多大的偏离才能让我不信？”对于战略管理研究者而言，这意味着做更真实的因果推断，而非更“完美”的因果推断。

【文章摘要】

在战略管理研究中，企业和员工选择的非随机性给因果效应的估计带来诸多挑战。双重差分（DD）和工具变量（IV）设计是研究者常用的准实验方法，但它们仅当不可检验的识别假设（DD的平行趋势假设、IV的排他性约束）完全成立时，才能给出无偏的“点识别”估计。然而，现实中我们往往有充分的理由怀疑这些假设并非完全成立。当面临识别假设被违反的可能性时，研究者缺乏工具来评估从分析结果中到底能提取出多少关于因果效应的信息。

为回应Shaver(2020)关于采纳累积性研究方法的呼吁，本研究提出，“部分识别”方法是评估因果结论证据强度的务实步骤。部分识别方法允许研究者围绕估计值设定边界，从而在不完美的研究设计中进行因果推断。

通过检查这些边界在不同程度的违反假设下如何变化，读者可以了解到：要想相信因果效应的方向，我们至少必须假设什么。

鉴于战略管理研究中DD和IV方法的广泛应用，本文聚焦于与这两种方法相关的部分识别技术。研究者首先综述DD和IV设计中的识别假设，继而记录了战略管理实证研究中使用部分识别工具的匮乏状况。随后，介绍两种允许研究者放松核心识别假设并量化违反程度的方法：针对DD设计的Rambachan和Roth(2023)方法，以及针对IV设计的Conley等(2012)方法。

在模拟演练的基础上，研究者以首个专利如何影响发明者跨企业流动为例，完整演示了这些方法在实践中的应用。在此过程中，研究者强调了在决定从实证结果中推断因果关系的强度时，理论、情境和判断在其中所发挥的关键作用。