中断时间序列与分段回归

中断时间序列在干预两侧使用多次观测，而不是只有一组前后数据。

干预前序列估计无干预时本会延续的水平与趋势，干预后偏离投射路径的部分就是目标。

外部确定的干预日、一致测量和足够稳定的历史轨迹，会让这种设计更可信。

基本模型包括时间、干预日起开启的指标，以及干预后经过的时间。

指标系数估计即时水平跳跃，后期时间项估计相对原趋势的斜率变化。

某个未来时点的效应由水平变化与累计斜率变化共同构成，只报告一个系数会遗漏经济路径。

交易规则可能隔夜生效，合规改革则可能逐步实施。阶跃、渐变、滞后或暂时脉冲代表不同机制。

正式日期前的预期行为会使尖锐指标失真，应区分公告、采用与执行日期。

看过结果后再选断点或响应形状会夸大拟合，主要规格应由事前时间线支持。

相邻观测共享冲击，假设误差独立往往会让置信区间过窄。

残差图和自相关诊断应指导误差模型或稳健时序推断。更高频率不会自动增加独立证据。

季节性、假日、波动变化、异常值和非平稳趋势都可能伪装成干预，需要统计与经济判断结合。

干预附近开始的其他事件也能制造相同水平或斜率变化，金融研究中的宏观新闻和同步监管尤其危险。

测量和样本构成也须稳定。数据商更换、上市范围变化或价差定义修订都会产生人工断点。

若政策由极端结果触发，还要警惕均值回归。较长前期可显示过去是否也出现类似反转。

受控中断时间序列加入承受相同共同冲击但未受干预的比较序列，估计量变成两次中断之差。

比较对象必须共享基线力量，又不受直接处理、预期和溢出影响；污染基准会减去真实效应。

多组控制或合成比较可提高可信度，但仍需要良好前期共动与透明筛选。

最小报价单位、卖空限制、披露期限或交易系统升级，可通过价差、成交量或波动率路径研究。

日内数据点虽多，也伴随微观结构依赖、星期效应和重叠新闻。样本量并不等于识别力。

解释断点前，应先定义单位、频率、窗口、干预日期、预期反应形状和竞争事件。

使用安慰剂日期、替代合理窗口、趋势形式、季节控制和自相关结构，并检验是否由单个极端日驱动。

报告水平与斜率变化、重要时点效应、残差诊断，并绘制带不确定性的实际和反事实路径。

若许多虚假日期都有类似断点，或控制同期冲击后结果消失，因果结论也应相应减弱。