你要判断最低工资上调后，低就业地区受到了什么影响。不同州并非同一年调薪，所以研究者先按实施时间把它们分组，再汇总结果。看平均就业变化时，汇总相对直接；但看就业分布的中位数或低端时，一个不起眼的顺序问题会冒出来：究竟先算每组的分位数再平均，还是先把各组分布混在一起再找分位数？
Ulrich Hounyo 的这篇论文指出，这不是计算步骤的偏好，而是在选择两个不同的研究问题。两种算法即使用同一批数据、同一组权重，答案也可能相反。论文进一步刻画了两种答案最多能差多少，并给出相应的统计推断方法。
需要先说明信源边界：本文依据论文原文。核心理论性质和实证重构尚无第二个独立信源交叉核验。
两份看似合理、其实不同的账
Difference-in-Differences（DiD，双重差分）通常比较处理组干预前后的变化，再减去对照组同期变化，用来排除共同的时间趋势。它依赖一个关键前提：如果没有干预，两组原本会沿着可比趋势变化。
现实中的政策常常分批落地。所谓 staggered adoption（分期实施），就是不同单位在不同时间开始接受干预。研究者会按首次实施时间划分 cohort——这里可理解为“同一批开始受政策影响的队列”，分别估计各队列的效果。
如果关心的不是平均值，而是分布不同位置，就要看 QTT（Quantile Treatment Effect on the Treated，处理对象的分位数处理效应）。例如，中位数描述分布中央，第 90 百分位描述靠近上端的位置。它们可以显示政策影响集中在高端还是低端。
问题出在最后一步。设定好各队列的政策权重后，有两种自然汇总法：
- 先取分位数，再汇总：分别计算各队列的 QTT，然后按政策权重平均。它回答的是，“各队列在同一分位位置上的效应，平均是多少？”
- 先汇总分布，再取分位数：先按同样权重混合各队列在处理和未处理状态下的分布，再分别找出总体分位数并相减。它回答的是，“混合后的目标人群，其总体分位位置移动了多少？”
两者用的是同样的队列、分布和权重。但分位数反演——从累计分布中找出某个百分位对应的数值——是非线性运算。说白了，先切蛋糕再平均每块的切口，与先把蛋糕拼起来再下一刀，不保证落在同一位置。
因此，差异不应被写成哪种算法“算错了”。它们原则上是两个 estimand，也就是两种预先定义的研究目标。论文还特别提醒：两者都不能自动解释为个人处理效应的分布，也不能在缺少额外经济结构时直接变成福利排名。
差异为什么会冒出来？
论文给出的局部解释很直观。混合分布之后再取分位数，实际发挥作用的权重会偏向那些在目标分位附近更“密”的队列。这里的密度，可以理解为有多少观测集中在那个位置附近。
于是，名义上的政策权重虽然没有改变，分位数反演却会内生地产生一套随状态和分位数变化的“密度倾斜权重”。当不同队列的分位位置分散、附近密度又不同，两种汇总结果就容易拉开。
论文的 Proposition 1 对这种差异给出三层刻画：在给定各队列分位数和权重时，推导差距的 exact sharp interval，即不能再收紧的精确界；只保留权重与分位数范围时，给出仍然全局 sharp 的较粗边界；在队列差异较小时，则用 density-tilt representation 描述密度倾斜带来的一阶影响。
作者还证明，只要跨队列分位数存在差异，固定这些分位数和权重后，平滑分布仍可能让汇总差距取正或取负。换句话说，仅看队列分位数和政策权重，通常连差异方向都定不下来。同一设计中，方向还可能随分位数变化。
两种目标有时会恰好一致，例如只有一个有效队列、两种潜在状态下各队列的目标分位数分别相同，或各队列共享同一个处理位置平移。但即便目标值相等，论文的 Proposition 3 也称，不存在一种估计量在精度上始终更好：哪一种方差更小，还取决于估计误差之间的协方差。更窄的置信区间，不能替代对研究问题的选择。
一次只改最后一步的重构
论文用公开的 mpdta 最低工资面板做了 same-object reconstruction，即保持底层研究对象不变，只替换最后的汇总算子。该数据包含 500 个县，观察期为 2003—2007 年；结果变量是县级青少年就业的对数，政策处理来自州最低工资上调。作者强调，目标分布是县级结果的跨县分布，不是青少年个人的分布。
重构固定了数据、识别方法、恢复出的队列分布、参与汇总的队列以及权重，只把“先平均 QTT”换成“先混合 CDF 再反演”。论文报告，若干分位数上的效应符号随之反转，中位数附近则更接近。这说明差异不是统一的位置平移，而会随分布位置改变。
论文还逐一删除 29 个州并重算。最稳定的低端符号反转在 29 次删除中保留了 28 次；另外两个发生反转的分位数分别保留 8 次和 18 次。作者明确把它称为敏感性检查，而非正式的少聚类统计推断。
这项重构最重要的地方，不是证明某种汇总法正确，而是隔离了问题来源：当数据和第一阶段识别全部不动，仅改变汇总顺序，报告出来的分布效应仍可能换方向。
推断也要跟着数据形态走
论文提出两条推断路线。若相关分布在目标分位附近足够平滑、密度远离零，可联合估计两种 QTT 及其差距，并扩展到一段连续的分位区间。
如果结果存在 mass point——许多观测恰好堆在同一个数值上——普通的平滑分位数近似可能失效。论文因此给出 mass-point-safe 的办法：先为各队列的累计分布和权重构造联合不确定性区域，再把整个区域分别投影到两种汇总操作及其差距上。作者建议预先设定筛选规则，而不是看到哪种方法区间更短才临时选择。
为什么值得关注
平均效应的汇总主要处理“各组占多大权重”。分布效应多了一层：一个非线性操作放在汇总之前还是之后，会直接改变目标人群的定义。它看似只是代码里两行操作交换位置，实际上决定报告回答的是“典型队列怎样”，还是“混合人群怎样”。
论文给出的实践规则很简洁：先说明如何恢复反事实分布；在查看结果前确定目标人群与汇总顺序；如果两个问题都有政策意义，就同时报告两种结果及其差距；遇到离散结果或堆点，则优先使用累计分布投影，而非依赖平滑密度近似。
局限与未知
- 论文的 sharp bounds、局部密度倾斜和“没有统一精度优势”等强理论结论，目前均来自作者自己的定理与证明，本文没有第二个独立信源复核。
- 最低工资案例只有 29 个州，作者也没有把逐州删除检查当作正式的少聚类推断；另一套 CDF parallel trends 稳健性分析中的汇总差距亦未达到其报告的统计可区分程度。
- “必须在反演前决定汇总顺序”是作者提出的实践主张。更稳妥的表述是：顺序属于 estimand 定义，应由研究问题预先决定；两种结果不同，本身不等于其中一种估计错误。