DID双重差分法
did方法
双重差分法（DID）是近年来的“学术明星”，常用于各种经济政策的评估。
只要有一个政策外生冲击使得我们的被解释变量 y 在两个维度发生变化，其实就可以考虑双重差分法（DID）。
当然，这两个维度一般都是时间维度和地区维度，所以DID常见于面板数据。
不过，双重差分法（DID）是一个大家族，除了标准DID模型之外，还存在多种扩展的（准）DID模型，今天咱们就来总结和梳理一下“DID大家族”的成员信息。
标准DID
标准DID是“DID大家族”的基础，也是最容易理解和学习的一种DID模型。
双重差分顾名思义，就是要做两次差分，一次是时间维度上的，一次是地区（个体）维度上的，在回归中我们可以通过交互项实现时间和地区维度的两次差分。
标准DID模型的形式如下所示：
其中，是政策分组变量，处理组取值为1，控制组取值为0；是政策时间变量，政策时点后取值为1，政策时点之前取值为0。
交互项的系数反映的就是经过两次差分后得到的“纯净”的政策效应。
did双重差分法解释
did双重差分法解释
双重差分法（DID）是社会科学中的计量经济学和定量研究中使用的一种统计技术，它试图通过观察"治疗"数据的差异效应来模仿观察性研究数据来模拟实验研究设计。
双重差分法在自然实验中，用“治疗组”还是“对照组”来计算治疗（即解释性变量或自变量）对结果（即响应变量或因变量）的影响，通过比较在以上为治疗组的结果变量时间的平均变化，相对于随时间的对照组的平均变化。
尽管其目的是减轻无关因素和选择偏见的影响，但根据治疗组的选择方式，该方法可能仍会受到某些偏见（例如，均值回归，反向因果关系和遗漏的可变偏见）。
双重差分法（DID）平行趋势检验的Stata操作
双重差分法（DID）平行趋势检验的Stata操作双重差分法（DID）有一个重要的前提假设——平行趋势假定，即处理组如果没有受到政策干预，其时间趋势应与控制组一样。
很多人不重视平行趋势检验，认为随便跑几个DID回归就完事了，事实上，平行趋势检验是DID的规定动作，规范地对平行趋势假定进行检验是一篇DID论文中至关重要的部分。
如果不满足平行趋势假定，那么两次差分得出的政策效应就不完全是真实的政策效应，其中有一部分是由处理组和控制组本身的差异所带来的。
数据来源石大千老师等（2018）发表在《中国工业经济》的论文《智慧城市建设能否降低环境污染》使用DID方法评估了智慧城市建设对城市环境污染的影响，《中国工业经济》期刊官网公布了这篇论文使用的数据和代码。
接下来，我就使用这篇论文的数据，给大家分享一下双重差分法（DID）平行趋势检验的Stata操作。
原文信息石大千,丁海,卫平,刘建江.智慧城市建设能否降低环境污染[J].中国工业经济,2018(06):117-135.时间趋势图平行趋势检验的第一种方法是绘制时间趋势图。
通过绘制处理组和控制组的被解释变量随时间变化的平均值，我们可以粗糙地判断处理组和控制组的时间趋势是否存在差异。
egen mean_y=mean(lnrso), by(year du)graph twoway (connect mean_y year if du==1,sort msize(s mall)) (connect mean_y year if du==0,sort lpattern(dash) msize( small)), ///xline(2012,lpattern(dash) lcolor(gray)) ///ytitle('lnrso') xtitle('Year') ///ylabel(,angle(0) labsize(*0.75)) xlabel(,labsize(*0.75)) ///legend(label(1 '处理组') label( 2 '控制组')) ///图例xlabel(2005(1)2015) graphregion(color(white)) //白底在Stata 17中，我们可以使用xtdidregress + estat trendplots 命令轻松绘制出处理组和控制组的时间趋势图，这方便了许多。
双重差分模型(DID)介绍及其应用
双重差分模型（DID）介绍及其应用双重差分模型（Difference-in-Differences, DID）是一种在计量经济学中常用的分析方法，用于评估政策或干预措施对一些群体或区域的影响。
DID模型通过比较处理组和对照组在干预前后的差异，来估计干预的效果，同时控制其他可能影响结果的因素。
DID模型的基本假设是处理组和对照组在干预前是相似的，且在干预后相似的变化也受到相似的影响。
该模型可以消除时间不变的固定效应和圈定效应的影响，从而能够更准确地评估政策或干预措施的效果。
DID模型的应用非常广泛，包括评估政策的影响、估计政府干预措施的效果、评估教育或健康项目的成效等。
以下是一些具体的应用案例：1.教育政策评估：研究者可以使用DID模型来比较实施教育前后学生的学业成绩、学生的参与度和教育资源分配情况等，以评估政策的影响。
2.劳动力市场政策评估：DID模型可以用于评估各类劳动力市场政策对就业率、工资水平以及职业发展的影响，例如最低工资政策、就业培训计划等。
3.健康政策评估：研究人员可以使用DID模型来比较实施健康政策前后人们的健康状况、医疗资源利用情况以及医疗费用等，以评估政策的效果。
4.环境政策评估：DID模型可以用于评估环境政策对环境污染的影响，例如排放限制政策、废弃物管理政策等。
在应用DID模型时，需要满足一些前提条件。
首先，时间上的变化应是外生的，即处理组和对照组没有受到其他干预的影响。
其次，处理组和对照组在干预前应是相似的，没有系统性的差异。
最后，DID模型的结果只能反映干预的平均效应，对个体或次群体的效应不能直接解释。
总体来说，DID模型是一种强大的工具，可以帮助我们评估政策或干预措施的效果，为政策制定者提供决策依据。
然而，使用DID模型时需要慎重考虑前提条件，并适当控制其他可能影响结果的因素，以增加研究的可靠性和准确性。
政策效果评估的双重差分方法
政策效果评估的双重差分方法政策效果评估在政府工作中至关重要，它可以帮助政策制定者了解政策的实际影响，从而做出更为有效的决策。
双重差分方法（Differences-in-Differences，DiD）作为一种常见的政策效果评估方法，具有诸多优点，但也存在一定的局限性。
本文将详细介绍双重差分方法在政策效果评估中的应用，并通过实际案例分析其优势、挑战及改进建议。
双重差分方法是一种广泛应用于政策效果评估、医学、社会科学等诸多领域的方法。
该方法通过比较政策实施组与对照组在政策实施前后的变化差异，来评估政策的实际效果。
近年来，随着大数据技术的发展，双重差分方法在政策效果评估领域的应用日益广泛。
数据来源主要包括政府部门、调查机构和相关研究机构等。
在收集数据时，需要确保数据的准确性、可靠性和时效性。
同时，还需对数据进行必要的处理，如清洗、整理等，以保证数据分析的质量。
因变量即政策效果评估的指标，应根据具体政策的不同进行选择。
例如，教育政策的效果可以通过学生成绩、升学率等指标来评估；环境保护政策的效果可以通过空气质量、水质等指标来评估。
在选择因变量时，应注意选择具有代表性、可操作性和可比较性的指标。
自变量即影响政策效果的因素，包括政策实施前后的时间趋势、地区差异、人群特征等。
在选择自变量时，需要充分了解政策实施的背景和影响因素，并对自变量进行合理控制和分析。
例如，在评估教育政策效果时，需要考虑不同地区的教育资源、师资力量等因素。
双重差分方法的核心是通过比较政策实施组和对照组在政策实施前后的变化差异来评估政策效果。
需要确定实施组和对照组；需要对其在政策实施前后的数据进行比较和分析。
在应用双重差分方法时，应注意选择合适的对照组和处理潜在的混淆因素。
以某城市推行垃圾分类政策为例，采用双重差分方法评估其效果。
收集该城市在推行垃圾分类政策前后的相关数据，包括垃圾产生量、分类投放情况、回收利用率等。
数据来源包括政府部门、研究机构和社会调查等。
双重差分法的适用条件
双重差分法的适用条件一、双重差分法的基本概念双重差分法（Difference-in-Differences，DID）是一种常用的因果推断方法，主要用于评估政策干预或其他处理的因果效应。
它通过比较处理组和对照组在处理前后的平均结果变化来估计处理效应。
双重差分法的关键在于平行趋势假设，即在没有处理的情况下，处理组和对照组的结果变量会沿着共同的趋势变化。
二、双重差分法的适用场景1.实验研究和非实验研究双重差分法适用于实验研究和非实验研究。
在实验研究中，研究者可以控制处理组的分配，从而更容易满足平行趋势假设。
在非实验研究中，研究者通常通过匹配、随机分组等手段来确保处理组和对照组在处理前的可比性。
2.处理效应和对照组的比较双重差分法主要用于比较处理组和对照组在处理前后的结果差异，以评估处理效应。
这种方法可以有效地控制处理组和对照组之间的固有差异，从而降低因果推断的偏误。
3.平行趋势假设平行趋势假设是双重差分法的前提条件。
这意味着在没有处理的情况下，处理组和对照组的结果变量会沿着共同的趋势变化。
研究者可以通过图形分析、统计检验等方法来检验平行趋势假设是否成立。
三、双重差分法的实施步骤1.确定研究问题和研究对象2.选择实验组和对照组3.收集处理前后的数据4.检查平行趋势假设5.计算处理效应的估计值6.检验结果的显著性和稳定性四、双重差分法的优点与局限性优点：1.可以控制处理组和对照组之间的固有差异2.适用于实验研究和非实验研究3.操作简便，结果直观局限性：1.平行趋势假设的要求较高，可能导致部分研究无法满足条件2.受样本选择、数据质量等因素影响较大3.不能排除其他潜在混杂因素的影响五、总结与建议双重差分法作为一种因果推断方法，在实验研究和非实验研究中具有广泛的应用。
然而，研究者需注意平行趋势假设的检验和控制，以降低因果推断的偏误。
同时，双重差分法并非万能，研究者应根据研究问题和实际情况选择合适的方法。
DID(双重差分法)
DID（双重差分法）双重差分法，英文名Differences-in-Differences，别名“倍差法”，小名“差中差”。
作为政策效应评估方法中的一大利器，双重差分法受到越来越多人的青睐，概括起来有如下几个方面的原因：（1）可以很大程度上避免内生性问题的困扰：政策相对于微观经济主体而言一般是外生的，因而不存在逆向因果问题。
此外，使用固定效应估计一定程度上也缓解了遗漏变量偏误问题。
（2）传统方法下评估政策效应，主要是通过设置一个政策发生与否的虚拟变量然后进行回归，相较而言，双重差分法的模型设置更加科学，能更加准确地估计出政策效应。
（3）双重差分法的原理和模型设置很简单，容易理解和运用，并不像空间计量等方法一样让人望而生畏。
（4）尽管双重差分法估计的本质就是面板数据固定效应估计，但是DID听上去或多或少也要比OLS、FE之流更加“时尚高端”，因而DID的使用一定程度上可以满足“虚荣心”。
一般而言，DID仅适用于面板数据，因此在只有截面数据时，还是不要浪费心思在DID上了。
不过，事无绝对，在某些特殊的情景下，截面数据通过巧妙的构造也是可以运用DID 的，大神Duflo曾经就使用截面数据和DID研究了南非的养老金计划项目对学前儿童健康的影响，感兴趣的可以去搜搜大神的文章。
具体来说，基准的DID模型设置如下：其中，du为分组虚拟变量，若个体i受政策实施的影响，则个体i属于处理组，对应的du取值为1，若个体i不受政策实施的影响，则个体i属于对照组，对应的du取值为0。
dt为政策实施虚拟变量，政策实施之前dt取值为0，政策实施之后dt取值为1。
du·dt 为分组虚拟变量与政策实施虚拟变量的交互项，其系数阿尔法3就反映了政策实施的净效应。
从DID的模型设置来看，要想使用DID必须满足以下两个关键条件：一是必须存在一个具有试点性质的政策冲击，这样才能找到处理组和对照组，那种一次性全铺开的政策并不适用于DID分析；二是必须具有一个相应的至少两年（政策实施前后各一年）的面板数据集。
(完整word版)DID双重差分法
双重差分法的平行趋势假定双重差分法是估计处理效应的常见方法，但也有被滥用的倾向，因为有些应用者对于双重差分法的优点与局限缺乏了解，特别是其潜在的平行趋势（parallel trend）假定……差分法的局限经济学家常关心某政策实施后的效应，比如对于收入（y ）的作用。
最简单（天真）的做法是比较处理组（即受政策影响的地区或个体）的前后差异，比如这称为“差分估计量”（difference estimator），即将处理组（treatment group）政策实施后的样本均值，减去政策实施前的样本均值。
然而，由于宏观经济环境也随时间而变（时间效应），故政策实施地区的前后差异未必就是处理效应（treatment effects）。
双重差分法的反事实逻辑为了解决差分法的局限性，常用方法是寻找适当的控制组（control group），即未实施政策的地区（或未参加项目的个体），作为处理组的反事实（counterfactual）参照系。
具体来说，可将未受政策影响的控制组之前后变化视为纯粹的时间效应，即综合以上两个差分，即将处理组的前后变化减去控制组的前后变化，可得到对于政策处理效应更为可靠的估计：(1)这就是所谓的双重差分估计量（Difference in Differences，简记DD或DID），因为它是处理组差分与控制组差分之差。
该法最早由Ashenfelter（1978）引入经济学，而国内最早的应用或为周黎安、陈烨（2005）。
从以上推理可知，DID的反事实逻辑能够成立，其基本前提是，处理组如果未受到政策干预，其时间效应或趋势应与控制组一样（故可以后者来控制时间效应），这就是所谓的“平行趋势”（parallel trend）或“共同趋势”（common trend）假定。
下图直观地展示了DID的思想与平行趋势假定。
其中，t = 1 表示政策实施前（before），而t = 2 表示政策实施后（after）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
DID双重差分法
双重差分法的平行趋势假定
双重差分法是估计处理效应的常见方法，但也有被滥用的倾向，因为有些应用者对于双重差分法的优点与局限缺乏了解，特别是其潜在的平行趋势（parallel trend）假定……
差分法的局限
经济学家常关心某政策实施后的效应，比如对于收入（y ）的作用。
最简单（天真）的做法是比较处理组（即受政策影响的地区或个体）的前后差异，比如
这称为“差分估计量”（difference estimator），即将处理组（treatment group）政策实施后的样本均值，减去政策实施前的样本均值。
然而，由于宏观经济环境也随时间而变（时间效应），故政策实施地区的前后差异未必就是处理效应（treatment effects）。
双重差分法的反事实逻辑
为了解决差分法的局限性，常用方法是寻找适当的控制组（control group），即未实施政策的地区（或未参加项目的个体），作为处理组的反事实（counterfactual）参照系。
具体来说，可将未受政策影响的控制组之前后变化视为纯粹的时间效应，即
综合以上两个差分，即将处理组的前后变化减去控制组的前后变化，可得到对于政策处理效应更为可靠的估计：
(1)
这就是所谓的双重差分估计量（Difference in Differences，简记DD或DID），因为它是处理组差分与控制组差分之差。
该法最早由Ashenfelter（1978）引入经济学，而国内最早的应用或为周黎安、陈烨（2005）。
从以上推理可知，DID的反事实逻辑能够成立，其基本前提是，处理组如果未受到政策干预，其时间效应或趋势应与控制组一样（故可以后者来控制时间效应），这就是所谓的“平行趋势”（parallel trend）或“共同趋势”（common trend）假定。
下图直观地展示了DID的思想与平行趋势假定。
其中，t = 1 表示政策实施前（before），而t = 2 表示政策实施后（after）。
然而，通过双重差分得到的DID估计量并不易计算其标准误，无法加入控制变量，也不易推广到多期数据。
故在实践中，一般通过回归的方法来得到DID估计量。
双重差分法的回归模型
考虑以下面板模型：
(2)
其中，G i 为分组虚拟变量（处理组=1，控制组=0），表示处理组与控制组的固有差异（无论是否实施政策都存在）；D t 为分期虚拟变量（政策实施后=1，政策实施前=0，允许使用多期数据），表示政策实施前后的时间效应（即使不实施政策也存在）；而交互项G i ·D t 才真正表示处理组在政策实施后的效应，即处理效应。
这是因为，处理组在政策干预之后的期望值为：
而处理组在政策干预之前的期望值为：
故处理组期望值的前后变化为：
(3)
另一方面，控制组在政策干预之后的期望值为：。