通常所做的是绘制治疗组和对照组随时间变化的结果变量的平均值。所以这里的对照组自然是所有没有接受治疗的人，而治疗组是接受任何强度治疗的人。例如，在本演示文稿中已完成此操作（幻灯片 25 和 26，回归方程在幻灯片 27 上）。

如果您想按治疗强度显示平行趋势，有不同的方法可以做到这一点，最后归结为您希望如何划分它们。例如，您可以在处理强度分布的前 10%、平均值和 90% 中绘制处理单元的结果。虽然我很少在实践中看到这样做，但我认为这是一个有意义的练习。

要估计治疗的淡出时间，您可以遵循Autor (2003)。他包括治疗的领先和滞后，如 其中他有关于每个个体的数据，在状态时间，是状态固定效应，是时间固定效应，是个体控制。处理的的淡出效果

$$Y_{ist} = \gamma_s + \lambda_t + \sum^{M}_{m=0}\beta_{-m} D_{s,t-m} + \sum^{K}_{k=1}\beta_{+k} D_{s,t+k} + X'_{ist}\pi + \epsilon_{ist}$$ $i$$s$$t$$\gamma$$\lambda$$X$$m$$m=0$，即治疗期。您可以通过绘制随时间变化的滞后系数来可视化这一点：

图表在他论文的第 26 页。这样做的好处是，他还绘制了每个系数的置信带（垂直线），这样您就可以看到效果实际上何时不同于零。在这个应用程序中，即使整体治疗效果先增加然后保持稳定（尽管微不足道），第二年的治疗似乎也有长期效果。

您可以对个潜在客户执行相同的操作。然而，这些应该是微不足道的，因为否则这暗示了与治疗有关的预期行为，因此治疗状态可能不再是外生的。$k$