大晚上又给我看兴奋了[苦涩]又激起了要投身入这个行业的热情
（乔姆斯基在课上真的被喷得好惨[吃瓜]）
以及有关于myth telling，不只是看内容，还要看who is telling to whom, forms of uptake(those who dispute), and forms of social organization(who ratify the “true” version)

还有结构主义为什么crash and burn了，因为它建立在对索绪尔的误解和自己的幻想(ad-hoc explanation)上。索绪尔的理论是base在material reality上，有form-sense correlation. 但thought不是，没有segementable word form that expresses attitude/mental state，所以没有办法把attitude建立在某些种结构上

#学术笔记# 关于城市与区域经济学的因果识别中，因为很多treatment都是可以基于空间位置来定义，所以学者们经常会用到空间双重差分方法（spatial DD），这个方法将靠近treatment位置的sample视为处理组，稍微远一些的sample视为对照组，然后基于BD思想认为，两组因为位置接近，所以在除了treatment之外的特征都是类似的，以此在逻辑上满足common trend 假设。据此，学者们衍生出一系列变种的方法，典型的就是用Ring DD来识别treatment的溢出效应（当然我也用过）。

但其实，当我看了Kyle Butts最近在 JUE insight https://t.cn/A6oJ18bR的文章，发现市面上这些一系列基于空间位置的DD的方法多多少少都存在一些问题，这个问题其实很关键，就是选择距离treatment位置多远的sample才能算作对照组（下面简称“处理距离”），一般而言，这个处理距离应该是处理效应随距离衰减至零的位置。可是，处理距离范围的选择在既有文献中往往都是一种基于经验的做法（ad-hoc decision），这往往会导致common trend都是假的，处理效应估计不准确就更不用说了。

从第一个图可以看出，（a）是正确的设定，（b）是处理距离整的太远的案例，这样子相当于一部分对照组sample弄到处理组sample里面去了，直接导致处理效应被低估，这个问题其实还不大；但是（c）和（d）就更过分了，直接把处理距离整的太近，好家伙，本是处理组的sample弄到处理组里去了，这肯定高估了处理效应，这个问题就比较严重。其实，说白了，两者都很严重。

更让我吃惊的是，有良心的文章为了说明自己选的处理距离是合理的，于是采用调整划定处理组和对照组的方法，或者从最开始简单的从outcome和distance to treatment的相关性来间接证明他们选择对应距离标准的合理性，但其实不然。直接上图：

从第二个图，(a)是一般已经发表的文章为他选择0.1处的距离给出的证据。但事实上，选择的bandwidth不一样，结果就不一样，从（b）-（c）看，好像又不清楚选择哪个处理距离范围了。

作者这篇文章就解决了这么一个问题，他提出了基于数据驱动（data-driven）下的处理距离范围选择，换句话说，就是数据告诉你，你应该选择一个多远的距离范围。作者怎么做的呢？它基于partitioning- based least squares estimation and inference methods，其实就是把距离treatment的sample按照distance的分位数进行无尽的划分，划的越细就越好，但也取决于数据量的问题。这么做的好处除了选择处理距离之外，其实更容易捕捉处理效应随距离变化的异质性效应（衰减特征，衰减后有增加等等，如第三个图）。但这么做可能也需要付出一定代价，就是需要更强的假设， 就是不同距离分位之间的common trend应该是constant才行，不然白搞了。stata代码也简单binsreg.

具体的模型假设其实也不少，可以作为实证分析部分写内生性问题来源的参考吧~

虚假的active faculty：行政升迁快，去会议的原因是因为可以见到申请中的proposal的committee或者director，但任何领域内当下比较有影响力的活动和topic都轮不上他们，盲目追逐ad hoc热点。
真正的active faculty：有能力在顶尖的机构组织相关领域的活动，即使这个领域已经是non-active了，也能盘出来一个program…
可惜选phd老板的时候没有人告诉你这一点…还好选postdoc老板follow师兄的意见选择还蛮正确的…