简单谈一下 我本人对空间双重差分模型（Spatial Difference in Difference Model， SDID ）几点或许不太成熟的理解。
（本文首发于个人微信公众号 DMETP，欢迎关注！）
一、从聚类标准误到空间相关性
当使用面板数据进行固定效应模型估计时，考虑到组间异方差和组内自相关，我们必然需要将标准误进行聚类调整。一般来说，聚类调整后的标准误大于异方差稳健标准误，而异方差稳健标准误大于普通标准误，因此， 根据聚类标准误做出来的结果是相对最稳健的，这里所说的稳健，指的是系数显著性稳健，因为标准误影响t值，而对系数的本身影响不大。
然而，将标准误聚类调整到什么层次是一个问题。当将个体（ id）作为聚类依据时，即假定每个个体不同年份的干扰项存在相关性（组内自相关），而不同个体的干扰项不存在相关性（组间不相关）。但是，这样的假定可能不符合现实情况，比如，对于微观企业来说，同一行业的企业之间必然存在竞合关系，此时同一行业不同企业之间就存在相关性，在这种情况下，将标准误聚类调整到行业层面可能更合理。因此， 为了得出更稳健的结果，也为了说服苛刻的读者（或审稿人）接受我们根据实证结果得出的结论，将标准误聚类到更高层级是一种更安全的做法，当然，聚类层级越高系数越不显著。
然而，有时候我们没有甚至不能将标准误聚类到更高层级。除了显著性与稳健性之间的权衡，更多的原因在于聚类层级越高聚类数目越少，而大样本理论要求聚类数目足够大，这样才能保证所估计的标准误收敛到真实值（Petersen，2009），根据拇指法则，聚类数少于30可能就不太合适了。
退而求其次， 为了同时兼顾聚类层级与聚类数目，有些文献将标准误聚类到行业-年份层面（在 Stata中可以利用分组函数 group生成聚类变量再在回归中进行聚类调整，即：先 egen ind_year = group(industry year)，然后 reghdfe y xlist, absorb(id year) cluster(ind_year)），如李青原和章尹赛楠（2021）、邵朝对等（2021），即假定同一年同一行业之间存在自相关，而不同年或不同行业之间不存在自相关。
参考文献：
[1] Petersen M A. Estimating Standard Errors in Finance Panel Data Sets: Comparing Approaches[J]. Review of Financial Studies, 2009, 22(01): 435-480.