局部投影（LP）在实证宏观经济学中被广泛用于估计政策干预的脉冲响应。然而，在许多方面，它们是黑箱。我们经常不清楚是什么机制或历史事件驱动了特定的估计。我们提出一种新的 LP 估计分解方法，将其分解为历史事件贡献的总和，该总和是每个时间戳上权重与响应变量实现值的乘积。在最小二乘法的情况下，我们表明这些权重可以有两种解释。首先，它们代表了经过净化和标准化的冲击。其次，它们作为投影的政策干预与样本中过去干预之间的接近度分数。值得注意的是，第二种解释自然地延伸到机器学习方法，其中许多方法产生的脉冲响应，虽然在预测变量上是非线性的，但仍然通过基于接近度的权重线性地聚合了过去的成果。将此框架应用于货币和财政政策冲击、全球温度和债券超额溢价，我们发现易于识别的事件——例如尼克松对美联储的干预、滞胀、第二次世界大战以及阿贡火山爆发——成为通常高度集中的脉冲响应估计的主要驱动因素。