如何通过计量识别X对Y的影响中，政策Z的调节作用？面板数据的政策评估效果的方法选择

如何通过计量识别X对Y的影响中，政策Z的调节作用？（面板数据的政策评估效果的方法选择）

目前面板数据的时间范围是2013-2018年，想评估2017-2018年实行的某个政策（所有样本都需要执行该政策）是否减弱了X对Y的冲击。
是否可以基于政策推行的年份设置01虚拟变量，将2013-2016未推行政策的年份设置为0，2017-2018推行政策的年份设置为1，将虚拟变量与核心解释变量X的交互项引入模型进行回归，如果交互项的系数显著且符号与X相反，则说明该政策的推行会减弱X对Y的影响。
有一些不太确定这个方法是否可行，因为以年份为标准设置虚拟变量可能包括了其他的影响因素，不仅仅是政策推行与否的差别。
所以考虑这个因素，是否可以补充说明在模型控制了其他变量的情况下，2017-2018年与2013-2016年主要的差异体现在政策上，从而说明该方法能比较好的衡量限额政策的影响呢？
进一步保险起见，是不是把加入年份虚拟变量的交互项当成年份异质性来分析，然后在解释结果的时候说一下不同年份的差别主要在限额政策上，这样的逻辑会不会更好一些？而不是说通过这种交互项的方法识别政策的效果？



另外查阅了一些关于政策评估实证方法的综述文章，发现一般做政策评估的实证论文，通常关注的问题是政策Z对Y的影响，把政策当成核心关注的解释变量，采用的方法有PSM、DID、RD、IV等。
但是由于这篇论文关注的是在X对Y的影响中，政策Z的调节作用，与一般做政策评估的论文有一些差别，所以是不是可能不适用于传统政策评估方法，而是可以通过在实证模型中加入政策推行年份的虚拟变量与核心解释变量的交互项的方式来衡量政策冲击呢？或者有什么其他方法呢？谢谢。

同问这个问题

同求问这个问题，请问一下楼主解决了吗？

同问 这个问题解决了吗