在社会科学定量研究中，研究者常面临一个两难困境：我们关心某个“事件”（如生育、政策冲击、婚姻等）对个体结果的动态因果效应，而事件研究法正是回答这类问题的最重要工具之一。然而，经典的事件研究法有一个严格的前提——需要追踪同一批个体在事件发生前后的面板数据。在现实中，满足这一要求的高质量面板数据极其稀缺，尤其在发展中国家、历史时期或全球比较研究中，研究者往往只能获取横截面数据。

面对这一困境，Henrik Kleven学者在2022年发表于American Economic Journal: Applied Economics的论文“The Geography of Child Penalties and Gender Norms: A Pseudo-Event Study Approach”中，系统提出了伪事件研究法。该方法仅需横截面数据即可估计事件的动态处理效应，为数据受限场景下的因果推断开辟了新路径。此后，该方法迅速被应用于一系列重要议题的研究，包括黄炜等学者2025年发表于Journal of Population Economics的论文“The motherhood penalty and low fertility in China: a pseudo-event study”以及Kleven与合作者2025年发表于The Review of Economic Studies的“The Child Penalty Atlas”。

本文将围绕上述文献，系统介绍伪事件研究法的原理、优缺点及应用场景。

一、问题背景：为什么需要伪事件研究法？

理解伪事件研究法的价值，首先要认识传统事件研究法的局限。传统事件研究法依赖面板数据，需要观察同一个体在事件发生前和发生后的多期结果，以识别处理效应的动态轨迹。以“生育惩罚”研究为例，研究者需要追踪同一批女性在生育前几年到生育后几年的劳动参与或收入变化，并与男性或其他未生育群体进行比较。

然而，这类高质量面板数据的获取面临三重约束。其一，时间跨度约束。生育惩罚的效应可能持续十年以上，而大多数面板调查的追踪期远不足以覆盖如此长的时间窗口。其二，空间覆盖约束。全球绝大多数国家缺乏可用的面板数据，导致跨国比较研究几乎无法开展。现有基于面板数据的生育惩罚研究覆盖的国家不足十几个，而且几乎没有关于生育惩罚在一国内部如何随空间和时间变化的证据。其三，样本量约束。即便有面板数据，样本量也往往有限，难以支撑按地区、族群、教育水平等维度的精细分析。

正是在这一背景下，Kleven提出了伪事件研究法，其核心创新在于利用广泛可得的横截面数据来替代对面板数据的依赖。

二、方法原理：从匹配到反事实推断

1. 识别框架

伪事件研究法建立在传统事件研究的因果推断逻辑之上，但增加了额外假设以适应横截面数据的特性。传统事件研究通常依赖两个核心假设：平行趋势假设——即处理组和对照组在事件发生前的结果变化趋势是相同的；无预期效应假设——即个体在事件发生前的结果不受未来事件发生时间的影响。在面板数据场景下，研究者可以直接基于这两个假设，通过双重差分框架识别处理效应。

然而，在仅有横截面数据的场景下，核心挑战在于：我们无法观察到同一个体在事件发生前的结果。伪事件研究法通过一种巧妙的“反事实构建”策略来解决这一问题：将事件发生时点（如初育年）前后观察到的不同个体，通过精细匹配连接起来，构造出一条从“事件前”到“事件后”的完整轨迹。

具体而言，Henrik Kleven将已生育个体（处理组）与未生育个体（对照组）基于一系列人口学特征进行匹配。匹配变量通常包括性别、出生年份、教育程度、地区等。匹配时采取多对一匹配策略，即将每个已生育个体与未生育个体池中特征相似的多个对象进行匹配，以提高匹配质量并减少估计偏误。通过这一匹配过程，研究者为每个处理组个体“找回”了其在事件发生前的“伪反事实状态”。

2. 因果识别的前提假设

伪事件研究法虽然绕开了对面板数据的需求，但并非无代价。它引入了一项关键的额外假设——时间平稳性假设。具体来说，该方法要求处理组和对照组除了在事件发生状态上的差异外，在其他可观察和不可观察的特征上没有系统性差异。由于匹配仅基于可观察特征进行，研究者必须假设不存在随时间变化的未观察因素同时影响生育决策和劳动市场结果。

Henrik Kleven在方法论部分对这一假设进行了详细讨论，并通过多种方式验证其合理性。最重要的是，他在有面板数据可用的国家子集中，将伪事件研究的估计结果与基于面板数据的真实事件研究进行了直接比较。结果显示，两种方法得出的估计高度一致，这为伪事件研究的有效性提供了强有力的实证支撑。在“The Child Penalty Atlas”一文中，这种验证被扩展到了更广泛的国家样本，进一步增强了该方法的可信度。

三、优点：数据可得性带来的研究范式革新

伪事件研究法的最大优势在于其对数据要求的“降维”——从稀缺的面板数据转向广泛可得的横截面数据，这一转变带来的好处是多维度的。

第一，极大拓展了研究的地理和时间边界。横截面数据，如人口普查数据、劳动力调查数据等，在全世界范围内广泛存在且历史悠久，这意味着研究者可以将生育惩罚研究从少数发达国家的“特权”扩展至全球范围。以“The Child Penalty Atlas”为例，该研究基于134个国家的微观数据构建了全球育儿惩罚地图，部分国家的历史数据甚至可以追溯到18世纪。如果没有伪事件研究法，这一宏伟研究蓝图根本不可能实现。

第二，提供了更大的统计效力。横截面数据的样本量通常远超面板数据。以中国研究为例，2000年和2010年全国人口普查的1%抽样数据以及2005年和2015年全国1%人口抽样调查所提供的样本量，是任何面板调查都无法比拟的。更大的样本量意味着更高的估计精度和更丰富的异质性分析可能。

第三，支撑颗粒度更细的异质性分析。这也是该方法的重要创新价值。Henrik Kleven将这一特点概括为“提供更细颗粒度的证据并研究机制”。借助大样本横截面数据，研究者可以按性别、地区、代际、种族、教育水平、移民身份等多个维度进行分组分析，揭示同一事件在不同群体中的效应差异。例如，Henrik Kleven对美国各州生育惩罚差异的分析就是一个典型案例——就业惩罚从达科他州的12%到犹他州的38%不等，收入惩罚从佛蒙特州的21%到犹他州的61%不等。

四、不足与局限：回避不了的方法论代价

伪事件研究法虽然拓展了事件研究的应用边界，但也有其不可回避的局限。清醒认识这些局限，才能在使用该方法时避免误用和过度解读。

第一，因果推断的强度不及面板数据方法。这是伪事件研究法最根本的局限。传统事件研究之所以拥有较强的内部有效性，一部分原因在于它可以控制个体固定效应——即每个个体不随时间变化的固有特征。伪事件研究法由于无法观察同一个体在事件前后的变化，无法实现这一点。尽管匹配技术在一定程度上缓解了选择性问题，但它只能处理可观察特征上的差异，无法排除基于不可观察因素的潜在偏误。Henrik Kleven在其论文中也明确指出，伪事件研究需要额外假设，其因果推断依赖于匹配后的处理组和对照组在未观察特征上没有系统性差异。

第二，匹配质量的敏感性。伪事件研究的结果高度依赖于匹配的质量和策略。匹配变量的选择、匹配比例的设定、卡尺大小的调整等都会影响最终的估计结果。如果匹配效果不佳，例如，处理组和对照组在可观察特征上的平衡性不够理想，那么后续的估计就可能产生偏误。因此，使用者必须进行严格的匹配质量检验和稳健性分析。

第三，仅适用于特定类型的事件。伪事件研究法天然适用于那些发生时间可精确界定且一旦发生便不可逆转的事件。生育（第一个孩子出生）正是这样一个理想的事件：时间明确、状态清晰、不可逆转。然而，对于模糊的、可逆转的或渐进式的事件（如慢性病的发病过程、组织文化的渐变等），该方法的适用性则大打折扣。

第四，要求对照组充足且可比。该方法需要足够规模的“未经历事件者”作为对照组。如果事件的发生率极高（例如在某一特定人群中几乎所有女性都会生育），那么对照组规模太小，匹配效果将大打折扣。此外，对照组在处理前的趋势必须与处理组平行，研究者需要通过事件前期的“伪效应”检验来验证平行趋势假设是否成立。

五、应用场景与前沿拓展

从已有文献来看，伪事件研究法的应用场景主要集中在以下几个方面：生育惩罚与性别不平等研究是该方法最成熟的应用领域，从Kleven对美国各州生育惩罚地理差异的分析，到“The Child Penalty Atlas”的全球比较，再到黄炜等对中国母职惩罚与低生育率关系的研究，伪事件研究法已成为该领域的核心工具之一；跨国比较和历史研究是另一个具有巨大潜力的方向，伪事件研究法对横截面数据的依赖，使得研究者可以回溯历史、跨越国界；政策评估与机制分析同样可以从该方法中受益。

值得关注的是，伪事件研究法仍在不断演进之中，未来，该方法有望与更先进的匹配算法、机器学习方法和因果森林等工具结合，进一步提升估计的精确性和稳健性。同时，将其应用场景从生育惩罚扩展至其他“发生时间清晰、结果状态明确”的事件（如入学、退休、移民等），也是值得期待的方向。

参考文献

Kleven, H. (2022). The Geography of Child Penalties and Gender Norms: A Pseudo-Event Study Approach. American Economic Journal: Applied Economics.

Huang, W., Wang, Y., Wu, H., & Zhou, Y. (2025). The motherhood penalty and low fertility in China: a pseudo-event study. Journal of Population Economics, 38(1).

Kleven, H., Landais, C., & Leite-Mariante, G. (2025). The Child Penalty Atlas. The Review of Economic Studies, 92(5), 3174-3207.