本文提出一种适用于小规模处理组的条件分位数处理效应推断方法：利用大型控制组估计参考分位数函数，并基于处理组分位数指标的精确条件Bernoulli表示模拟检验统计量分布，从而在部分处理组样本量保持有限时仍实现渐近规模控制与具有明确界限的检验功效。该框架允许非可分离结果函数、异方差、处理组间灵活的误差分布，并覆盖动态处理、非可分位数模型及交错采用的双重差分设计 ¹²³⁴。蒙特卡洛结果表明，只要参考组足够大，检验规模接近名义水平且对误差分布形状较稳健；但极端稀疏处理组的信息离散性会限制检验功效 ^26272829。天气冲击与GDP增长的实证分析进一步显示，传统方法可能因处理组仅包含少量国家而夸大显著性，所提出方法未能拒绝温度冲击无效的原假设 ³⁰³¹³²。

研究问题：小处理组下的分位数处理效应推断 ¹²

• 动态处理和多值处理会产生大量处理历史，部分处理组即使在总体样本扩大时仍可能只有少量观测；直接使用常规大样本推断可能失效 ¹²。
• 条件分位数处理效应能够识别处理对结果分布中心与尾部的影响，弥补平均处理效应无法反映分布异质性的不足 ²。

核心识别假设：分位数版本的可观测变量选择 ²⁹¹¹

• 在给定过去潜在结果、观测特征和处理历史后，处理分配不改变目标潜在秩变量在指定分位点 (\tau) 的条件分位数 ²⁹。
• 该条件覆盖随机试验、满足条件独立性的观测研究、动态处理分配，以及交错采用双重差分中的条件平行趋势设定 ³¹¹¹⁵。
• 方法不要求处理无条件外生、不要求加性或同质处理效应、不要求同方差，也不要求残差分布服从参数化形式 ¹¹¹²。

小处理组稳健推断方法 ³¹⁷¹⁹

• 第一步：利用样本量随总体样本增长的大型控制组或参考组，估计参考处理历史下的结构条件分位数函数；可采用筛分条件矩估计，也可在适当情形下使用参数化分位数回归 ³¹⁷¹⁸。
• 第二步：将参考组分位数函数代入各处理组的分位数残差矩，并与过去结果的基函数交互，构造处理组经验矩向量 ³¹⁷。
• 第三步：使用矩向量距离的加总统计量或最大统计量进行检验，并以条件Bernoulli模拟分布计算临界值 ¹⁸¹⁹。
• 原假设下，给定观测历史、协变量和处理历史，真实参考分位数函数生成的分位数指标是成功概率为(\tau)的独立Bernoulli变量；因此该条件分布在有限样本下成立，无需处理组样本量发散 ³¹⁹³⁵。
• 参考组估计误差通过趋于零的调整项纳入临界值，保证可行检验在小处理组情形下具有渐近规模控制 ²⁰²¹³⁶。

功效边界与信息约束 ²¹²²

• 检验功效取决于分位数处理效应大小、目标分位点附近的条件概率密度、处理组样本量以及Berry–Esseen近似余项，而不只取决于处理效应的绝对大小 ²¹²²。
• 当处理组样本量增长时，可恢复由处理组规模决定的逆平方根局部替代效应尺度；当处理组规模有界时，功效界仍成立，但可检测效应通常必须与零保持非消失距离 ²²。
• 对极端稀疏组，统计量可取值过少；在中位数检验且处理组样本量不超过5时，临界值可能等于统计量支持集的最大值，严格超过临界值的检验因而无法拒绝 ²⁸。

模型适用范围与可扩展性 ^4131516

• 在动态处理模型中，方法允许处理效应依赖处理发生的时间与顺序，从而避免将不同处理历史强行合并所造成的模型错设 ⁵⁶。
• 在非可分位数模型中，处理效应可以随观测特征、滞后结果和潜在秩变化，条件分位数处理效应由处理历史项直接刻画 ¹³¹⁴。
• 在交错采用双重差分中，方法可处理仅有有限观测的采用队列，并在可分离固定效应模型中同时覆盖QTE、ATE和ATT；在非可分离扩展下，这些效应不必相等 ¹⁴¹⁵¹⁶。
• 当处理效应由有限维参数刻画时，可通过反演检验构造具有渐近覆盖率保证的置信区域 ²⁴²⁵。

模拟结果：参考组规模决定可行检验表现 ²⁶²⁷²⁹

• 模拟设置固定预期处理组规模(N_1\in{5,10,20})，令总体样本增长而处理组规模保持不变，以检验小处理组渐近情形 ²⁵²⁶。
• 当总体样本量为200或800时，即使处理组平均仅有5至10个观测，拒绝率通常接近名义水平；当参考组本身较小时，检验则表现得更保守 ²⁶²⁷。
• 在正态、异方差、均匀和厚尾四类误差分布下，原假设拒绝率总体稳定，体现了条件Bernoulli分布带来的分布无关性 ²⁶²⁷。
• 在(n=200)、预期处理组规模为10且显著性水平为5%的功效实验中，功效随处理效应增大而上升并最终趋近1，但不同误差分布因目标分位点附近概率质量不同而呈现不同上升速度 ²⁷²⁸。

• 图中四种误差分布的功效曲线表明，厚尾本身并非决定功效的关键，真正重要的是处理效应在目标分位点附近转化为分位数指标位移后，相对于有限样本波动的信号强度 ²⁸。

实证应用：温度冲击与GDP增长 ^29303132

• 研究使用1990—1994年国家层面的五期温度冲击历史，将温度年增幅超过1摄氏度定义为处理，并考察GDP增长的0.25、0.50和0.75分位数 ²⁹³⁰。
• 控制处理历史00000组包含49个国家，其他处理组仅有1至6个国家；其中00011和00100组各只有1个国家，因此未纳入所提出的检验 ³⁰。

• OLS和常规分位数回归显示，00001处理历史似乎对GDP增长产生显著影响，但该结论依赖于仅含6个国家的处理组 ³¹。
• 使用本文方法后，在95%置信水平下无法拒绝00001处理历史无效，也无法拒绝1990—1994年所有温度冲击均无效的联合原假设 ³¹³²。
• 结果并不证明温度冲击没有影响，而是说明在处理组极小的情况下，传统显著性检验可能高估经济效应的统计证据强度 ³¹。

一、报告元数据与整体概览

• 标题：Inference on Quantile Treatment Effects with Small Treatment Groups，可译为《小规模处理组下的分位数处理效应推断》。
• 作者：Marina Dias、Demian Pouzo。
• 发布日期：2026年10月23日。
• 发布机构：原文未明确列出工作论文系列、大学或研究机构名称。
• 报告主题：计量经济学中的小样本因果推断，具体聚焦于在总体样本不断扩大的情况下，部分处理组观测数仍然很少时，如何对条件分位数处理效应进行有效推断。
• 报告类型：这是一篇理论计量经济学研究论文，而不是针对某一上市公司的证券研究报告，因此没有股票评级、目标价或投资建议。

论文的核心问题是：在多值处理、动态处理或分期采用设计中，某一具体处理历史可能只对应很少的观测。此时，即使总样本量很大，针对该处理历史的传统正态近似、t检验或F检验仍可能失效。作者提出一种“以大型参考组估计基准分位数函数，再利用小处理组中分位数指标的精确条件伯努利分布进行检验”的方法。该方法允许处理组规模保持有界，同时保证检验具有渐近规模控制，并给出与处理组规模、分位数效应大小和分位点附近概率密度相关的功效下界。^{1 2}

论文的主要结论可以概括为：

1. 小处理组本身并不必然阻止有效推断，关键在于是否存在一个规模随总体样本增长的控制组或参考组。
2. 在原假设下，使用真实参考分位数函数形成的分位数指标，条件于历史变量和处理分组后，服从成功概率为分位数水平 (\tau) 的独立伯努利分布。
3. 因此，临界值可以通过伯努利模拟得到，不需要对小处理组使用不可靠的高斯近似。
4. 该方法允许异方差、处理历史之间不同的误差分布、非可分离结果函数以及半参数或非参数模型。
5. 大型参考组能够提高基准函数的估计精度，但不能创造小处理组本身缺失的信息。处理组过小时，检验的离散性会从根本上限制功效。³

二、研究背景与问题提出

2.1 动态处理与小处理组问题

在面板数据中，结果变量可能取决于完整的处理历史，而不仅仅取决于当前是否接受处理。例如，一个国家在本期受到温度冲击，其经济增长影响可能取决于此前是否已经连续多年受到温度冲击。重复暴露可能产生累积、适应或边际效应递减，因此不同的处理顺序和处理时间可能具有不同的因果效应。¹

如果每一期处理都是二元变量，持续 (t) 期后理论上可能出现 (2^t) 个处理历史。将所有历史强行合并，可以增加样本量，但前提是不同处理历史具有相同或可加的效应。如果实际存在交互、累积或适应效应，合并处理历史会把重要的异质性隐藏起来，并导致模型错设。^{2 5}

论文因此把每一个处理历史视为一个独立的多值处理。这样做的优点是避免跨处理历史外推，缺点是某些处理组可能极其稀疏。作者要解决的不是“如何用更强的结构假设提高小组样本量”，而是“在不依赖这些外推假设的情况下，如何仍然进行有效推断”。^{5 6}

2.2 为什么关注条件分位数处理效应

平均处理效应只描述结果均值的变化，可能掩盖分布不同位置上的影响。例如，处理可能对低收入国家影响很大，却对高收入国家影响很小；也可能不改变平均增长率，却明显扩大增长率的下尾风险。

条件分位数处理效应关注在给定过去结果和可观测特征条件下，结果分布第 (\tau) 个分位点的变化。中位数效应反映分布中心，0.25和0.75分位数效应则有助于识别处理对分布下尾和上尾的不同影响。论文强调，分位数效应能够揭示平均效应看不到的分布变化。²

三、识别框架与关键假设

3.1 潜在结果与潜在秩表示

作者为每一个处理历史 (d_t) 定义潜在结果 (Y_{i,t}(d_t))。结果函数写成：

[ Y_{i,t}(d_t)

\mu_t\left(Y_{i,t-1}(d_{t-1}),X_{i,t},d_t,U_{i,t}(d_t)\right), ]

其中：

• (Y_{i,t-1}(d_{t-1})) 是过去潜在结果历史；
• (X_{i,t}) 是当前及过去可观测特征；
• (d_t) 是完整处理历史；
• (U_{i,t}(d_t)\in[0,1]) 是潜在秩变量；
• (\mu_t) 是结构结果函数。

在结果函数关于潜在秩严格递增的条件下，(\mu_t(\cdot,\tau))可以解释为条件分位数函数。也就是说，作者不是简单地假定一个线性误差项，而是允许处理效应依赖于过去结果、特征和潜在秩，从而支持非可分离模型。^{9 10}

3.2 三项核心假设

第一，跨单位独立抽样和重叠

假设不同单位之间独立，但同一单位在不同时间可以存在动态依赖。作者还允许数据生成分布随样本量变化，因此某些处理历史的概率可以随着 (n) 增大而趋近于零。这正是“处理组规模保持有限”的渐近设定。^{9 11}

绝对连续或重叠条件要求处理组的过去结果和协变量分布不能完全脱离参考组。其作用是让参考组估计出的分位数函数能够在处理组的历史取值上被评价。¹¹

第二，关于潜在秩的单调性

结果函数关于 (U) 连续且严格递增。这是结构分位数模型中的标准条件，确保分位数与潜在秩之间具有明确的一一对应关系。⁹

第三，分位数层面的选择可忽略性

最关键的假设是：条件于过去潜在结果和可观测特征后，实际处理分配不能改变目标潜在秩的第 (\tau) 分位点。它并不要求不同处理历史下潜在秩的整个分布完全相同，只要求目标分位点保持一致。^{10 11}

这一假设是“基于可观测变量选择”的分位数版本。随机实验是其特殊情形；满足条件独立性的观察性研究也可以适用。对于差分中的差分模型，该假设对应于“条件分位数平行趋势”，即不同处理组和未处理组的反事实结果变化在第 (\tau) 个分位数上相同。^{11 15}

这一假设有两个作用：

1. 在每一个实际处理组内部，它保证观察到的结果满足可检验的条件分位数矩条件。
2. 在不同处理历史之间，它保证参考组分位数函数可以作为处理组反事实分位数的基准，从而赋予效应以因果解释。¹¹

需要注意的是，这一假设虽然弱于要求整个误差分布相同，但仍然是实质性识别假设。若处理分配在控制过去结果和协变量后仍然与潜在秩相关，检验可能失去因果含义。论文提到，可以通过加入适当的控制函数来处理部分内生性，但并未在本文中消除选择偏差本身。^{11 12}

四、简化示例与表格解读

4.1 饱和动态模型

论文首先考虑一个允许每个处理历史拥有独立系数的模型：

[ Y_t(d_t)=\theta_{d_t}+\text{误差项}. ]

该模型为每一种处理历史配置单独参数，因此能够表示处理时机和处理顺序之间任意形式的交互。传统的加性分布滞后模型则假设：

[ \theta_{d_t}

\kappa+\sum_{s=0}^{L}\beta_s d_{t-s}. ]

在加性模型下，不同处理历史可以合并，以共同估计有限个 (\beta_s)。但这种合并要求连续两次冲击的效果等于单次冲击效果之和，排除了累积、复合和适应效应。作者将小处理组视为避免这些强加性假设所付出的统计代价。⁵

4.2 表1：温度冲击处理历史的样本量

表1展示了不同年份下、长度为五期的温度冲击处理历史对应的国家数量。 处理变量在每年表示温度是否比上一年增加超过1摄氏度，因此五期处理历史理论上最多有 (2^5=32) 种组合。⁶

表1的核心信息是：

• 控制历史，即五期均没有温度冲击的组合，包含约93至113个国家；
• 每一个非控制历史的国家数都少于20个；
• 多数非控制历史的国家数少于10个；
• 某些处理历史为空，没有任何国家。⁶

这张表直接说明了论文的渐近设定：总样本并不算极小，但被某一特定处理历史实际识别的观测数可能很少。若对每个处理历史分别估计并套用常规正态近似，标准误和检验水平都可能不可靠。控制组的大规模只能帮助估计基准分位数，不能增加某一个稀疏处理历史本身的信息量。⁶

五、核心检验方法

5.1 中位数示例

作者以五期处理历史为例，考察某一特定处理组合 (\delta_1=(0,0,0,1,0))相对于全零控制历史 (\delta_0)的中位数效应是否为零。

如果控制历史的中位数参数 (\theta_{\delta_0})已知，那么对处理组中的每一个观测，可以构造指标：

[ 1{Y_i\leq \theta_{\delta_0}}. ]

在原假设成立时，该指标条件于处理历史服从成功概率为0.5的伯努利分布。于是处理组中指标均值偏离0.5的程度，可以直接与二项分布进行比较，而不需要假设处理组样本量趋于无穷。⁷

如果处理组有 (N_{\delta_1}) 个观测，则原假设下检验统计量的条件分布与

[ \left|\frac{B_{N_{\delta_1}}}{N_{\delta_1}}-0.5\right| ]

相同，其中 (B_{N_{\delta_1}})服从试验次数为 (N_{\delta_1})、成功概率为0.5的二项分布。临界值条件于处理组大小计算，因此即便 (N_{\delta_1})保持有限，原理上仍可进行精确的条件检验。⁷

实际中控制组分位数未知，作者使用控制组样本中位数估计它。只要控制组规模随 (n)增长，该估计量就能保持一致，因而可行统计量渐近等价于使用真实控制分位数的“oracle”统计量。⁸

5.2 一般化的矩条件和统计量

在一般模型中，作者使用分位数残差：

[ \rho(Y,q)=1{Y\leq q} ]

并将其与过去结果的基函数 (\Phi_K(Y_{t-1}))相乘，构造每个处理历史的经验矩：

[ \widehat m_{n,m}

\frac{1}{N_{n,m}} \sum_{i\in G_{n,m}} \left[ 1{Y_{i,t}\leq \widehat\mu_0(Y_{i,t-1})}-\tau \right] \Phi_{K_m}(Y_{i,t-1}). ]

这里的 (\widehat\mu_0)是由大型参考组估计的条件分位数函数。若原假设成立，参考组函数也应当适用于每一个被检验处理组，因此这些矩应接近零。^{17 18}

作者提出两种聚合方式：

• 和统计量：对各处理组矩向量的平方范数求和，适合检测多个处理组共同存在的偏离；
• 最大统计量：取各处理组偏离程度的最大值，适合发现某一个处理历史的强烈效应。¹⁸

5.3 精确条件伯努利分布

在原假设下，对属于处理组 (m)的观测，有：

[ 1{Y_{i,t}\leq \mu_0(Y_{i,t-1})}

1{U_{i,t}(d_t[m])\leq\tau}. ]

条件于观测到的过去结果、协变量和处理历史，该指标是成功概率为 (\tau)的伯努利变量。跨单位独立性则保证这些指标相互独立。因此，作者可以固定实际的历史变量、处理分组和组规模，反复生成独立伯努利变量来模拟检验统计量的条件分布。^{19 35}

这一机制是全文最重要的技术贡献。常规方法通常依靠中心极限定理，而中心极限定理要求相关处理组观测数足够大。本文直接利用指标变量在原假设下的有限样本伯努利结构，因此不需要小处理组规模增长。^{19 20}

六、规模控制、功效与置信区间

6.1 渐近规模控制

定理1将误差分为两部分：

1. 小处理组中伯努利指标的抽样不确定性；
2. 用估计的参考分位数函数替代真实函数造成的估计误差。

第一部分由条件伯努利临界值精确处理，第二部分通过假设4控制。只要可行统计量与oracle统计量之间的差异以概率趋近于零，使用临界值加上一个趋近于零的修正项，就可以保证检验的渐近拒绝概率不超过名义水平。^{20 21}

在参数模型中，修正误差通常可以达到近似 (n^{-1/2})乘以一个缓慢发散的对数因子；在半参数或非参数模型中，误差速度通常较慢，因为需要同时承担函数逼近误差、抽样误差和矩条件维度增长带来的复杂度。^{21 48}

6.2 功效下界

定理2指出，功效不仅取决于分位数处理效应 (\Delta_l)的绝对大小，还取决于：

• 处理组样本量 (N_{n,l})；
• 目标分位点附近的条件密度 (f_l)；
• 处理效应转化为概率矩偏离的程度；
• 有限样本高斯近似中的Berry–Esseen余项。^{21 22}

密度下界条件的含义是：如果分位数函数发生了很大移动，但该移动区域附近几乎没有概率质量，那么指标概率可能几乎不变，检验仍然无法获得足够功效。因此，单独用“效应有多大”衡量可检测性是不够的，还必须考虑分布在目标分位点附近的形状。²²

当处理组规模趋于无穷时，论文恢复了熟悉的 (N_{n,l}^{-1/2})局部替代效应尺度。当处理组规模保持有限时，抽样波动不会消失，具有较高功效的效应必须保持非消失的大小。²²

6.3 置信区域

如果分位数处理效应由有限维参数 (\theta)索引，可以对每一个候选参数值反演检验。未被拒绝的参数集合构成置信区域。该置信区域无需分别一致估计每一个小处理组的分位数函数，因为参考函数仍然由大型控制组估计。^{24 25}

七、三个理论应用场景

7.1 位置—尺度模型

位置—尺度模型允许条件位置和尺度参数同时依赖过去结果、协变量和处理历史。它不要求条件同方差，也不要求创新项与过去结果独立。尽管完整条件分布可以高度灵活，某一目标分位数函数在参考组中仍可能只由有限维参数决定，因此可以用标准分位数回归达到根号 (n) 估计速度。^{12 13 23}

这说明该方法不要求每个处理组都使用复杂非参数估计。大型参考组可以采用参数化分位数回归，而小处理组只需要提供用于检验的分位数指标矩。

7.2 非可分离分位数模型

非可分离模型允许处理效应依赖：

• 可观测特征；
• 滞后结果；
• 潜在秩；
• 目标分位数水平。

在该模型中，处理效应并不是对所有个体都相同的固定加法，而可以随着个体处于结果分布中的位置不同而变化。作者证明，在控制组效应归一化为零后，结构函数中的处理项直接对应条件分位数处理效应。^{13 14}

该例体现了方法的灵活性：小处理组问题并不迫使研究者退回到线性、同方差或可分离模型。

7.3 分期采用的差分中的差分

在分期采用设计中，每个单位有一个首次接受处理的时间 (G_i)。作者将不同采用队列视为不同处理组，并使用未处理组作为参考组。

论文提出的条件分位数平行趋势要求：在没有处理的情况下，不同采用队列的结果变化在目标分位数上相同。它与传统均值平行趋势不同，前者约束分布的某一位置，后者约束条件均值。^{14 15}

在基准固定效应模型中，处理效应是每个队列—时间组合内的常数平移，因此ATE、ATT和分位数处理效应都等于同一个队列效应参数。若允许处理效应依赖潜在秩，则不同分位数的效应可以不同，ATE、ATT与QTE不再相同。^{15 16}

八、蒙特卡洛模拟与图表解读

8.1 模拟设计

模拟中，处理变量服从伯努利分布，处理概率随样本量变化，使期望处理组大小固定为5、10或20。这样，当总样本量从25增加到800时，参考组变大，而处理组平均规模不变，恰好重现论文的理论渐近环境。²⁵

作者考察了四种误差分布：

1. 标准正态；
2. 随机尺度的异方差正态；
3. 均匀分布；
4. 大量质量集中在零附近、少量极端值的厚尾分布。

四种分布的中位数都设为零，并进行10,000次重复模拟。²⁶

8.2 表2：名义规模与模拟拒绝率

表2比较不同样本量、处理组规模、名义显著性水平和误差分布下的拒绝率。原文提取内容没有显示表格中的逐项数值，但作者报告了清晰的总体模式：

• 当总样本量为200或800时，即使平均处理组只有5或10个观测，拒绝率通常接近名义水平；
• 当参考组本身较小时，检验会偏保守，实际拒绝率通常比名义水平低约2至3个百分点；
• 在正态、异方差、均匀和厚尾误差下，拒绝率整体相近；
• 当总样本量为25，或者总样本量为50且期望处理组为20时，参考组估计不够准确，导致可行检验偏离oracle检验。^{26 27}

这张表验证了方法的两层要求：处理组可以小，但参考组必须足够大。该方法的稳健性主要来自原假设下的伯努利指标结构，而不是来自对原始误差分布进行正态假设。²⁶

8.3 图1：不同误差分布下的功效曲线

图1展示了四种误差分布下的模拟功效函数。横轴是处理位置参数 (\theta)，纵轴是拒绝率，红色水平线表示5%的名义显著性水平。设总样本量为200、期望处理组大小为10，因此参考组约有190个观测，处理组约有10个观测。^{27 28}

图中四个面板分别为：

• i）Normal：正态误差；
• ii）Heteroskedasticity：异方差正态误差；
• iii）Uniform：均匀误差；
• iv）Fat tails：厚尾误差。

共同趋势是，随着横轴处理效应增大，拒绝率从接近5%的水平逐渐上升，并在效应足够大时接近1。不同面板的上升速度不同，说明相同的结构位置移动在不同分布下会转化为不同大小的分位数指标概率变化。^{27 28}

厚尾面板的功效上升尤其快，作者给出的解释并不是“厚尾天然提高功效”，而是该分布的大部分概率质量集中在零附近。因此，即使位置移动幅度中等，也会使目标中位数两侧的概率发生较大变化，产生较强的伯努利矩信号。²⁸

图1的关键含义是：功效由“效应引起的概率矩偏离相对于小处理组抽样波动的大小”决定，而不是由处理效应的原始单位数值单独决定。即便两个模型的 (\Delta)相同，只要目标分位点附近的密度和离散程度不同，功效就可能明显不同。²⁸

8.4 极小处理组的离散性限制

作者进一步指出，当处理组极小，检验统计量的可能取值过少。例如，在中位数检验、显著性水平5%的情形下，当处理组规模不超过5时，二项分布临界值可能已经等于统计量的最大可能值。由于检验要求统计量严格超过临界值，此时检验可能永远不拒绝原假设。²⁸

这不是本文方法特有的缺陷，而是离散数据的信息限制。大型参考组可以提高基准函数估计精度，但不能增加一个只有极少观测的处理组的可辨识状态数。^{28 29}

九、实证应用：温度冲击与GDP增长

9.1 研究设计

作者使用Dell等人的国家面板数据，研究1990—1994年温度年度增幅超过1摄氏度的冲击对GDP增长分布的影响。每个国家的五年温度冲击序列被编码为一个处理历史，因而可以区分单次冲击、连续冲击和不同时间发生的冲击。²⁹

研究分别考察GDP增长的0.25、0.50和0.75分位数，并控制地区指标和1994年降雨量。作者还估计OLS条件均值模型，用于比较标准均值推断、传统分位数回归和本文小处理组推断之间的差异。³⁰

将天气冲击视为相对外生，是该应用满足分位数选择假设的主要依据。具体而言，作者认为在控制地区和基准降雨量后，温度冲击应当与未观测的增长决定因素大体不相关。但这仍然是经验上的可辩护性，而不是由数据本身直接检验出来的识别事实。³⁰

9.2 表3：处理历史的样本量

表3显示：

• 全零控制组 (00000)有49个国家；
• 其他处理历史只有1至6个国家；
• (00011)和(00100)两个处理历史各只有1个国家。³⁰

这组样本量极端不平衡。控制组虽然也不算特别大，但相对于处理组明显更大，因而可以作为参考分位数函数的估计基础。对于只有一个国家的处理历史，经验分位数矩几乎没有足够的可实现取值，作者没有对这些组使用本文程序，也不认为OLS或传统分位数回归结果具有可靠的抽样变异信息。³⁰

9.3 表4与表5：传统结果和本文检验结果的差异

表4报告不同温度冲击处理历史对GDP增长的OLS和分位数点估计。原文指出，在传统OLS及异方差稳健标准误下，只有当期温度冲击对应的处理历史 (00001)看起来具有影响；这一模式在0.25、0.50和0.75分位数上都出现。³¹

表5使用本文方法进行95%置信水平检验。对于 (00001)处理历史，不能拒绝其效应为零；对1990—1994年所有观察到的非控制温度冲击历史的联合原假设，也不能拒绝无效应假设。^{31 32}

这一结果并不意味着温度冲击确定没有影响。它表明，传统方法根据仅有6个国家的处理组得出的显著性判断，可能夸大了证据强度。点估计在经济量级上可能很大，但小处理组导致其抽样不确定性很难由常规渐近标准误可靠刻画。本文方法因此将“经济上较大估计值”和“统计上有足够证据拒绝零效应”明确区分开来。³¹

十、估值分析的适用性说明

这篇论文不是企业或证券研究报告，因此不存在DCF、可比公司、P/E、EV/EBITDA、目标价或评级。与其说论文进行了“估值分析”，不如说它提出了一个统计推断框架，用于判断处理效应是否显著以及构造处理效应参数的置信区域。

论文中的核心“输入”包括：

• 参考组条件分位数函数；
• 处理组分位数指标；
• 处理历史和过去结果；
• 目标分位数 (\tau)；
• 条件伯努利临界值；
• 处理组密度和样本量。

其“区间输出”是参数置信区域，而不是股票内在价值区间。置信区域通过反演检验获得，覆盖率依赖于参考组函数估计误差受到控制以及分位数选择假设成立。^{24 25}

十一、风险、局限与批判性评价

11.1 识别假设风险

最重要的风险是条件分位数选择假设。该假设要求处理分配在控制过去结果和可观测变量后，不再改变潜在秩的目标分位点。如果存在未观测变量同时影响处理历史和结果分布，该假设可能失败。¹¹

天气应用中，温度冲击被视为具有外生性，但不同国家的温度变化仍可能与地理、产业结构、长期气候趋势和未观测经济条件相关。论文通过地区和降雨量控制来提高可辩护性，但没有提供独立的验证检验。³⁰

11.2 参考组必须足够大

本文解决的是“小处理组”问题，不是“所有组都很小”问题。若参考组也很小，参考分位数函数估计误差不能被忽略，检验会变得保守或失去理论保证。模拟中总样本量25以及总样本量50、处理组期望规模20的情形已经显示出这一点。²⁷

11.3 极小处理组的信息不可创造

当处理组只有极少观测时，检验统计量具有有限且稀疏的支持集。即使真实效应很大，也可能因为统计量无法超过离散临界值而没有拒绝能力。作者明确承认，对于这类处理组，需要额外结构假设才能获得更强结论。^{28 29}

11.4 密度下界和重叠条件

功效定理要求目标分位点附近的条件密度存在并且有正的下界。如果分布在该区域过于平坦或出现间断，分位数移动未必带来足够大的概率指标变化，功效下界就可能失效。^{21 22}

重叠条件也可能在大量处理历史中变得严格。参考组估计函数必须能在各处理组的过去结果分布上被评价。如果处理组与控制组的历史支持差异太大，函数外推问题会削弱结果可信度。^{11 46}

11.5 理论方法的实施复杂度

半参数和非参数模型虽然提高了灵活性，但会引入函数估计、基函数维度选择、熵条件和经验过程控制等技术要求。处理组规模有限时，处理组矩的维度不能随意增长；否则，检验会试图从极少观测中提取过多信息。^{46 49}

十二、综合结论

这篇论文的核心贡献是把“小处理组推断”与“条件分位数处理效应”结合起来。其方法不依赖小处理组的中心极限定理，而是利用原假设下分位数指标的精确条件伯努利表示。大型参考组负责估计共同的基准分位数函数，小处理组则通过条件伯努利分布进行检验。^{3 19}

表1和表3说明，动态处理历史会迅速产生大量稀疏处理组；表2显示，只要参考组足够大，检验在处理组平均仅有5至10个观测时仍能接近名义规模；图1则表明功效取决于处理效应如何转化为目标分位点附近的概率变化，而不只是效应的原始大小。实证应用进一步显示，传统方法可能把仅由6个国家支持的较大点估计误判为具有强统计证据，而本文方法对此保持谨慎。^{6 27 28 31}

作者的总体立场不是声称小处理组下可以无条件获得强结论，而是提出一种在信息有限条件下更诚实、更稳健的推断方式。方法可以控制错误拒绝概率，却不能消除处理组过小带来的低功效、离散性和识别风险。最终，论文支持的判断是：在动态、多值和异质处理环境中，应当避免为了获得大样本近似而不加检验地合并处理历史；但使用该方法时，也必须明确承认，有限处理组只能提供有限的信息。^{3 28}