{
  "id": "difference-in-differences",
  "title": "双重差分法",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "双重差分法在未受干预时两组趋势平行等假设下，通过比较处理组与对照组的结果变化来估计因果效应。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "双重差分",
    "倍差法",
    "差分中的差分",
    "DID",
    "DiD",
    "DD"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/difference-in-differences/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/difference-in-differences/",
      "json": "https://aiwiki.page/en/difference-in-differences.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "双重差分法是一种统计研究设计，通过比较干预组与对照组的结果变化来估计干预效应。在研究者能够观察政策变化或制度性干预、却无法随机分配干预的情境中，这种方法广泛应用于计量经济学、公共卫生及其他领域。其独特之处在于，无论是仅比较处理组干预前后的结果，还是仅比较同一时期两组之间的差异，都不足以估计干预效应：双重差分估计量将一组的变化减去另一组的变化。\n\n其核心识别假设是：如果没有干预，两组结果的平均变化应当相同。这一平行趋势假设允许两组的结果水平存在长期差异，但排除了在未受干预时系统性地有利于其中一组的变化。在适当的附加条件下，由此得到的差分可以识别处理组人群的平均因果效应。\n\n常见的两组、两期计算方法可以扩展至纵向数据、重复横截面调查、多个处理时点及动态效应。进行这些扩展时，需要仔细区分所关注的因果效应量与特定回归模型得到的系数。现代研究尤其强调处理效应的异质性、传统固定效应回归的局限性，以及当许多观测单位受到同一政策影响时，如何有效估计不确定性。"
    },
    {
      "heading": "历史发展与实证应用",
      "text": "双重差分法属于利用自然实验获取知识这一更广泛的研究传统：在某些情境下，制度或事件造成了干预暴露程度的差异，从而为因果比较提供条件。双重差分法并不由某一种特定的估计算法来界定。它的核心逻辑是比较变化，而体现这一逻辑的实例，早于如今与之相关的术语和回归方法。\n\n约翰·斯诺在19世纪50年代对伦敦霍乱的调查，经常被视为双重差分法的早期先例。不同供水公司在彼此交叠的区域内向住户供水，而兰贝斯公司将取水口迁到了主要污水污染源的上游。通过比较不同供水商、死亡率以及污染暴露的变化，研究者得以辨别关于霍乱传播的不同解释。斯诺的研究并不是一个现代意义上的单一双重差分模型设定，但它说明了构建恰当比较的重要性：这种比较应能将暴露状况的变化与人群之间原有的差异区分开来。\n\n现代的一项代表性应用是戴维·卡德与艾伦·克鲁格于1994年发表的快餐业就业研究。1992年4月，新泽西州将每小时最低工资从4.25美元提高至5.05美元，而邻近的宾夕法尼亚州并未作出同样的调整。研究者比较了两州受调查餐厅的就业变化。最初的调查涵盖410家餐厅。这项研究之所以具有广泛影响，既是因为其研究发现本身，也在于它将清晰直观的政策比较置于劳动力市场实证研究的核心位置。此后使用不同数据开展的分析也表明，即使采用相同的总体研究设计，测量方式和样本构建方式仍会影响估计结果。\n\n如今，双重差分法被用于研究税收、学校经费、环境监管、保险参保资格、交通可达性以及其他许多干预措施的变化。政策可能在州、市镇、企业、学校或个人之间存在差异。接受处理的单位不一定就是测量结果的单位：一项州法律可能影响数千条个人层面的观测，但所提供的仍然只是一次州层面的处理分配。\n\n若干方法论进展改变了人们评估这些应用的方式。玛丽安娜·贝特朗、埃丝特·迪弗洛和森迪尔·穆莱纳森于2004年发表的分析，引起了人们对常规应用中序列相关和不确定性被低估问题的关注。安德鲁·古德曼-培根、布兰特利·卡拉韦与佩德罗·桑坦纳，以及孙立扬与萨拉·亚伯拉罕在2020—2021年前后发表的研究，阐明了当处理在不同时间开始、且效应因群体或时间而异时所产生的问题。这些贡献使研究重点不再只是纳入固定效应，而是明确哪些比较能够识别哪些因果效应。"
    },
    {
      "heading": "两组、两期设计",
      "text": "考虑在干预前后均被观测的单位。用 \\(D_i=1\\) 表示单位属于处理组，用 \\(D_i=0\\) 表示其属于对照组。用 \\(t=0\\) 表示干预前时期，用 \\(t=1\\) 表示干预后时期。以 \\(\\bar Y_{d,t}\\) 表示观测到的某组在某一时期的均值，则样本双重差分估计量为\n\n\\[\\widehat{\\tau}_{\\mathrm{DiD}} = (\\bar Y_{1,1}-\\bar Y_{1,0}) - (\\bar Y_{0,1}-\\bar Y_{0,0}).\\]\n\n假设处理组企业的平均雇员人数从20人增至23人，而对照组企业从15人增至16人。处理组平均增加了3名雇员，但其中1人的增量被归因于对照组也出现的变化。因此，估计结果为每家企业增加 \\(3-1=2\\) 名雇员。这一计算并不意味着最初两组之间5名雇员的差距是由处理造成的。\n\n其因果解释通过潜在结果来表述。令 \\(Y_{it}(1)\\) 表示单位 \\(i\\) 在时间 \\(t\\) 接受处理时会出现的结果，\\(Y_{it}(0)\\) 表示未接受处理时会出现的结果。在标准设计中，只有处理组在干预后时期接受处理。估计目标是处理组平均处理效应，简称 ATT：\n\n\\[\\tau_{\\mathrm{ATT}} = E[Y_{i1}(1)-Y_{i1}(0)\\mid D_i=1].\\]\n\n第一项可以从处理组单位在干预后的观测中得到；第二项则是反事实。双重差分法将对照组观测到的变化加到处理组干预前的均值上，由此重构第二项的均值：\n\n\\[E[Y_{i1}(0)\\mid D_i=1] = E[Y_{i0}(0)\\mid D_i=1] + E[Y_{i1}(0)-Y_{i0}(0)\\mid D_i=0].\\]\n\n这一等式成立的依据是平行趋势假设，而非代数恒等关系。从观测到的处理后结果中减去所构造的未接受处理时的结果，就得到总体层面的双重差分。这里的期望值指与研究相关的总体均值；用相应的样本均值代替时，会引入抽样不确定性。\n\n因此，这一设计消除了两类不同的差异来源：不随时间变化的组间差异，以及两组共同经历的随时间发生的变化。它并不会自动消除特定于某一组的冲击。如果处理组企业本来就会因当地一项无关的扩张活动而额外增加2名雇员，那么双重差分估计就会将该扩张活动的影响与政策效应混在一起。\n\nATT 也不同于针对所有单位的平均效应。即使对受到某项特定政策影响的企业得到了有效估计，也不能据此确定同一政策在其他地区、其他时间或不同实施方式下会产生什么效果。在研究情境内识别效应，与将其推广到该情境之外，是两个不同的问题。"
    },
    {
      "heading": "识别假设及其含义",
      "text": "核心假设是，未受处理时的平均变化相等：\n\n\\[E[Y_{i1}(0)-Y_{i0}(0)\\mid D_i=1] = E[Y_{i1}(0)-Y_{i0}(0)\\mid D_i=0].\\]\n\n这一假设约束的是处理发生后无法观测的反事实结果。它并不要求处理开始后，实际观测到的结果仍保持平行走势；处理效应本身就可能使两组的轨迹分离。它也不要求两组的初始结果相等。即使某个地区的就业水平始终较高，也不违背平行趋势假设。\n\n平行趋势假设比要求处理分配与结果的所有决定因素都无关更弱，但它仍是一项实质性限制。如果是否接受处理取决于某种持久不变的特征，仍可能符合这一研究设计的要求；如果取决于即将发生的结果变化，通常就不符合。例如，政府可能专门在预计企业倒闭将加速的地区推出援助措施。此时，将这些地区与没有面临这种衰退的地区进行比较，就会存在混杂，即使两组在早些年看起来相似也是如此。\n\n无预期效应要求，未来的处理不能影响那些被用作未受处理观测值的结果。如果企业在法律公布时就调整用工，而不是等到法律生效后才调整，那么从公布到实施之间的观测值可能已经受到影响。在两期框架中，通常要求处理组在处理前一期的结果等于其未受处理时的潜在结果。在时间跨度更长的面板数据中，如果有理由认为存在预期效应，哪些观测值和对照组可以视为未受处理，就需要相应调整。\n\n标准表述还假定，干预的定义足够明确，且个体之间不存在与研究相关的干扰。如果一个接受处理的市镇吸引了邻近对照市镇的顾客，那么这些对照市镇的结果就不再代表未受该干预影响时会出现的情况。这类溢出效应可能使估计出的组间差异大于或小于直接效应。作为背景因素同时实施的全国性政策，如果其相关影响为各组所共同承受，本身并不会使研究设计失效；但各组受其影响的程度不同，则可能使设计失效。\n\n也可以在给定处理前特征 \\(X_i\\) 的条件下施加平行趋势假设：\n\n\\[E[\\Delta Y_i(0)\\mid D_i=1,X_i=x] = E[\\Delta Y_i(0)\\mid D_i=0,X_i=x].\\]\n\n这一表述要求有适当的重叠：在相关的 \\(X_i\\) 取值上，必须存在可与处理组个体相比的未受处理观测值。随后，按照处理组总体的协变量分布，对未受处理时的变化取平均。条件平行趋势与无条件平行趋势是不同的假设；加入协变量并不会自动增强研究设计的可信度。\n\n这些条件提供的是统计识别，而不只是一套估计步骤。当这些条件不成立时，即使系数估计得非常精确，也仍可能对因果关系产生误导。反过来，这些假设的成立也不要求处理必须随机分配：关键在于，处理分配与未受处理时的结果变化之间有何关系。"
    },
    {
      "heading": "回归估计与数据结构",
      "text": "在最简单的设计中，可以使用线性回归来估计双重差分：\n\n\\[Y_{it} = \\alpha+\\gamma D_i+\\lambda P_t +\\tau(D_iP_t)+\\varepsilon_{it},\\]\n\n其中，\\(P_t\\) 表示干预后的时期。只要四个组别与时期的组合都有观测值，且回归不加权，那么在模型包含截距、两个主效应及其统计交互作用时，普通最小二乘法就能得到四个组合的未加权均值之间的双重差分。系数 \\(\\tau\\) 就是这一双重差分；回归本身并不提供额外的因果依据。\n\n对于随时间跟踪同一批单位的面板数据，一种常见的模型设定是\n\n\\[Y_{it}=\\alpha_i+\\lambda_t+\\tau A_{it}+\\varepsilon_{it}.\\]\n\n这里，\\(\\alpha_i\\) 是单位效应，\\(\\lambda_t\\) 是时期效应，\\(A_{it}\\) 记录单位接受处理的情况。固定效应模型吸收了单位所有不随时间变化的特征，包括未测量的特征，而时间效应则吸收各单位共同受到的冲击。在只有两个时期且处理时点一致的情况下，作差会消去 \\(\\alpha_i\\)，剩下的就是对结果变化的比较。当时期较多、处理日期各不相同时，形式相同的回归，其解释可能就远不如上述情形直接。\n\n双重差分法也适用于重复横截面数据，即在每个时点抽取不同的个人或机构作为样本。此时，该设计比较的是总体均值，而不是个体的变化。其解释有赖于目标总体保持稳定，或对总体构成的变化作出明确处理。例如，平均工资上升可能反映了持续在岗劳动者的工资上涨，也可能是低工资劳动者离开所致，或者两者兼有。这些是不同的结果，尽管它们可能产生相同的组别均值。\n\n调整协变量后的估计可以采用结果回归、加权，或将二者结合。倾向得分加权利用估计的处理概率，使未接受处理的观测对象在处理前的特征上接近接受处理的总体。双重稳健估计量将未处理状态下结果变化的模型与处理概率模型相结合；在其规定的条件下，只要这两个辅助模型中任意一个设定正确，估计量就可能具有一致性。但这种稳健性无法弥补用于识别的平行趋势假设不成立的问题。\n\n结果变量采用何种尺度至关重要。水平值上的平行趋势意味着预期的绝对变化相等；对数尺度上的平行趋势则对应另一种限制，涉及结果变量对数值的变化。二者互不蕴含。以结果变量的对数进行回归所得的系数，是平均对数值之间的对比，并不自动等于以结果水平值衡量的处理组平均处理效应（ATT）的百分比形式。对于二元结果，线性模型估计的是概率尺度上的对比，而逻辑回归中的交互作用则位于对数优势比尺度上，通常不等于概率上的双重差分。因此，尺度选择是因果模型设定的一部分，而不只是形式上的变换。"
    },
    {
      "heading": "事件研究与动态处理效应",
      "text": "事件研究按照相对于处理发生的时间来组织观测数据。如果个体 \\(i\\) 首次在时期 \\(G_i\\) 接受处理，其事件时间就是 \\(k=t-G_i\\)。负值表示处理前的时期，零表示开始接受处理的时期，正值表示处理后的时期。这种安排可以区分即时效应，以及逐渐累积、逐渐减弱或延迟一段时间后才出现的效应。\n\n常规回归的形式为\n\n\\[Y_{it} = \\alpha_i+\\lambda_t+ \\sum_{k\\ne -1}\\beta_k \\mathbf{1}\\{t-G_i=k\\} +\\varepsilon_{it},\\]\n\n其中省略事件时间 \\(-1\\)，将其作为基准期。符号 \\(\\mathbf{1}\\) 是示性函数。具体设定必须明确从未接受处理的个体如何纳入分析、包含哪些事件时间，以及是否将距离处理时间较远的时期合并为端点类别。当各个体开始接受处理的时间一致，且有合适的对照组时，这些系数描述的是相对于基准期组间差异的变化。\n\n处理后系数能够揭示单一平均效应所掩盖的作用机制。培训项目可能在参与者上课期间使其收入暂时下降，随后再提高其收入。基础设施项目可能在施工期间造成干扰，待投入使用后才带来收益。单一处理系数会对这些阶段取平均，而平均的方式取决于观测涵盖的时期和回归权重。此外，如果处理在年中开始实施，实施当年的年度系数可能混合了已接受处理和未接受处理的月份。\n\n处理前系数常用于评估观测到的趋势是否与研究设计相矛盾。如果在接受处理之前就出现系统性分化，可能意味着未受处理时的变化轨迹不同、存在预期效应，或者干预时间标定有误。不过，处理前趋势在统计上不显著，并不能证明平行趋势成立。检验的统计功效可能较低，尤其是在处理前时期较少或结果变量噪声较大的情况下；而且，较早时期的趋势相同，在逻辑上并不能保证处理后的趋势也相同。\n\n事件研究图还需要提供与其用途相适应的不确定性说明。一组逐点置信区间，无法提供与覆盖整条路径的同时置信带相同的保障。对多个处理前的超前项分别进行检验，会引出多重检验问题。仅仅因为某种模型设定的超前项不显著就选择该设定，可能使后续推断失真。\n\n当开始接受处理的时间不同时，常规事件时间系数可能混合不同批次和不同事件时间的效应，而不是单独识别图示时间跨度上的效应。尤其是，已经接受处理的个体可能隐含地充当新近接受处理个体的对照。因此，现代事件研究往往先估计各批次的特定效应，再将其汇总。在较长时间跨度上能够观测到哪些批次，同样十分重要：动态效应形态的表面变化，可能反映的是批次构成的变化，而非任何一个批次的处理效应发生了变化。"
    },
    {
      "heading": "分期实施与异质性效应",
      "text": "在分期实施设计中，不同群体在不同时间开始接受处理。例如，不同辖区逐年推行某项政策，或不同企业在不同时间采用某项技术。在常见的吸收性处理情形下，个体一旦接受处理，此后便始终处于处理状态。这类数据允许进行多种比较，但这些比较识别的未必是同一个因果量。\n\n一个有用的基本构件是组别—时间平均处理效应：\n\n\\[\\operatorname{ATT}(g,t) = E[Y_{it}(1)-Y_{it}(0)\\mid G_i=g], \\qquad t\\ge g,\\]\n\n其中，\\(g\\) 表示首次接受处理的时期。这里的记号 \\(Y_{it}(1)\\) 表示从 \\(g\\) 开始接受处理这一处理历程下的结果，而不只是孤立地接受一期处理后的结果。每个组别—时间效应所考察的，都是处理在某个特定日历时点对某个特定实施批次群体产生了什么影响。\n\n在各实施批次群体分别满足平行趋势假设且不存在预期效应的条件下，可以通过比较该群体的结果变化与从未接受处理或尚未接受处理的个体的结果变化来识别这些效应。例如，要衡量2015年开始接受处理的群体在2017年的处理效应，可以使用2017年之后才开始接受处理的个体作为对照，前提是这些个体的结果尚未因预期未来会接受处理而发生变化。一旦这些个体开始接受处理，或进入预期效应期，就不能再作为有效的未处理对照。\n\n传统的双向固定效应回归并不会自动遵循这一区分。Goodman-Bacon分解表明，在标准的平衡面板情形下，处理变量的回归系数可以表示为一系列两组、两期比较的加权平均。其中一些比较是在已处理个体与从未处理个体之间进行的，另一些则是在较早与较晚接受处理的个体之间进行的。如果在较早接受处理的个体已经接受处理之后，仍将其用作对照，那么这类比较就可能从较晚接受处理个体的处理效应中减去较早接受处理个体的处理效应变化。\n\n必须区分两种关于权重的表述。在标准分解中，各个两组、两期估计量的权重均为非负。然而，当总体回归系数被表示为底层异质性组别—时间处理效应的加权组合时，某些效应可能获得负权重。因此，回归系数可能难以解释，甚至可能与底层效应的符号相反。这些问题源于处理效应的异质性和处理暴露状态的变化，而不只是估计不够精确。\n\nCallaway和Sant’Anna的组别—时间方法、Sun和Abraham的群体交互事件研究方法，以及未处理结果插补方法，以不同方式应对这些问题。它们共同强调的是，界定可信的未处理对照，并始终明确要估计的因果量。估计得到的组别—时间效应可以按群体规模、事件时间或日历时间加以汇总，但这些汇总结果回答的是不同问题。当所有个体都已接受处理后，后续时期的效应通常缺少同期未处理对照；要识别这些效应，需要施加额外限制，而不能仅仅照搬并延伸原有的比较方式。"
    },
    {
      "heading": "统计推断与相关性",
      "text": "双重差分估计值是根据数据计算得到的估计量，其不确定性取决于抽样结构和处理分配结构。政策研究往往包含大量个体观测，却只有相对较少的独立政策单元。在十个州内观测到的一万名劳动者，对于州级政策所提供的信息，通常并不等同于一万名被独立分配处理的劳动者所提供的信息。\n\n有两种相关性模式尤为重要。同一辖区内各单元的结果可能彼此相关，而辖区内的冲击也可能随时间持续存在。忽视这些模式，可能导致标准误偏小、置信区间过窄。加入单元固定效应和时间固定效应，并不能消除所有残差相关性。例如，在吸收了共同的年份效应和州际的永久性差异后，某个州特有的持续性经济冲击仍可能存在。\n\n聚类稳健推断允许同一聚类内的残差存在相关性，同时要求聚类之间满足适当的独立性或弱相关性条件。在许多政策应用中，政策分配层级是一个自然的聚类层级。除去有限样本修正，回归的聚类稳健协方差矩阵具有如下一般的三明治形式：\n\n\\[\\widehat{\\operatorname{Var}}(\\hat\\beta) = (X'X)^{-1} \\left( \\sum_{c=1}^{C}X_c'\\hat u_c\\hat u_c'X_c \\right) (X'X)^{-1},\\]\n\n其中，\\(c\\) 表示聚类的索引，\\(X_c\\) 是该聚类的设计矩阵，\\(\\hat u_c\\) 是其拟合残差向量。该公式保留了聚类内残差的乘积，而不是将每个观测都视为相互独立。\n\n当聚类数量较少、聚类规模极不均衡，或接受处理的聚类极少时，常规的聚类近似方法可能并不可靠。小样本修正和野生聚类自助法在某些情形下可以改善推断，但任何调整都无法使只有一个受处理辖区的研究设计等同于大规模实验。基于其他可能的处理分配方式的方法，需要有站得住脚的分配机制或可交换性假设。任意重新标记各州所生成的分布，并不自动构成有效的随机化分布。\n\n空间相关性也可能超出行政边界。即使处理是分别分配的，相邻地区仍可能受到共同冲击。视具体情境而定，推断可能需要进行空间协方差调整、采用多维聚类，或对相关结构建立模型。适当的方法应依据变异和相关性的来源来选择，而不能仅仅沿用软件的默认设置。\n\n统计不确定性与识别不确定性是两回事。一个很窄的区间，也可能只是在描述有偏比较的抽样精度。标准置信区间通常并未考虑平行趋势假设可能遭到违背、处理日期错误、溢出效应或不同的结果变量定义。这些不确定性需要通过研究设计分析，或明确扩展推断程序的范围来处理。"
    },
    {
      "heading": "诊断、敏感性与有效性威胁",
      "text": "最直接的诊断证据来自未接受处理时的历史结果，以及产生处理安排的制度过程。绘制各组均值图，可以揭示回归表中不易察觉的变化：结果在处理实施前就已开始下降、测量口径在某个时点突然改变，或对照组受到另一项干预的影响。结果的水平和变化都很重要，但仅仅水平相近，并不能为未来未接受处理时的趋势提供多少证据。\n\n安慰剂检验考察研究设计在预期不会出现效应的情形下所隐含的推论。将一个虚构的处理日期设在实际干预之前，可以揭示原本就存在的趋势分化。考察理论上不应受处理影响的结果变量，可以发现影响特定群体的更广泛冲击。这些检验只有在安慰剂推论具备实质性依据时才有参考价值。一项影响就业的政策，也可能影响人口迁移或家庭收入，因此这些变量未必是有效的“不受影响”结果变量。\n\n样本构成变化是一种常见威胁。在面板数据中，组间不同的样本流失情况可能改变最终仍被观测到的单位构成。在重复截面数据中，人口迁移、经营单位进入或调查覆盖范围变化，都可能改变各组均值。有些构成变化本身就是处理效应。例如，一项政策可能改变哪些人进入就业状态，使就业者工资成为一个经过选择的结果变量。此时，以持续就业为条件进行分析，可能引入选择偏差，而非识别出稳定的工资效应。\n\n在结果异常偏高或偏低后才选择施加处理，会带来另一个问题。如果援助是由暂时性的收入下降触发的，随后的回升可能部分体现了均值回归。如果对照组的选取不涉及同样的暂时性冲击，它就未必会出现相同的回升。同样，控制政策诱发的投资等处理后变量，可能阻断部分效应，也可能产生额外偏差；控制变量更多，并不必然意味着研究设计更可信。\n\n正式的敏感性分析不再以非此即彼的方式看待平行趋势假设，而是对可能的违背情形施加明确限制。一种方法依据处理前观测到的偏离程度，为处理后的趋势偏离设定界限；另一种方法则限制未接受处理时的趋势随时间变化的剧烈程度。阿希什·兰巴钱和乔纳森·罗斯开发的方法，提供了一个在此类指定限制下构建稳健置信集的框架。所得范围取决于所选限制，且可能比常规置信区间更宽。\n\n结果变量的测量也需要仔细审查。报告激励、行政定义、通胀调整方式或地理边界的变化，都可能造成类似政策效应的表象。估计结果还可能对少数具有较大影响力的辖区，或所选的处理前基期较为敏感。这些诊断并不能机械地确认或否定一项研究的有效性：它们的价值在于识别，因果解释究竟需要依赖哪些实质性假设。"
    },
    {
      "heading": "扩展及与其他研究设计的关系",
      "text": "三重差分增加了第三个比较维度。假设某项政策在一个地区实施，但仅适用于符合特定资格的人群。三重差分估计量，是将符合资格的单位在处理地区与对照地区之间的双重差分，减去不符合资格的单位所对应的双重差分：\n\n\\[\\widehat{\\tau}_{\\mathrm{DDD}} = \\widehat{\\tau}_{\\mathrm{DiD,eligible}} - \\widehat{\\tau}_{\\mathrm{DiD,ineligible}}.\\]\n\n这样可以消除不同资格群体共同受到的地区特有冲击。其识别限制是：在没有处理的情况下，符合资格与不符合资格群体之间的结果差距，在各地区应有相似的变化。这并不意味着不再需要依据平行趋势进行论证，而且，如果那些被认为不符合资格的单位也受到影响，估计结果的解释就可能受到损害。\n\n合成控制法通过构建对照单位的加权组合，来重现某个处理单位在干预前的特征与结果。它尤其适用于影响一个或少数几个总体层面单位的干预。标准双重差分法允许组间存在固定的水平差距，关注的是变化是否具有可比性；而合成控制法则在其自身的识别框架下，强调处理前的拟合程度。合成双重差分法将单位加权、时间加权与双重差分式调整相结合。但这些方法都不能仅凭良好的处理前拟合，就保证对未受处理时的未来结果作出可靠判断。\n\n当政策会改变实际接受处理的情况，却不能完全决定谁接受处理时，双重差分法也可以与工具变量相结合。结果变量的简约式效应，衡量的是政策引起的分配或资格变化所产生的效应。将这一效应除以实际接受处理情况的适当第一阶段效应，只有在满足额外条件时才能识别局部处理效应；这些条件包括排除限制，以及关于依从行为的适当假设。所得结果并不自动等同于所有受到处理的个体的平均处理效应。\n\n当处理是连续变量时，例如税率或补贴金额，目标效应的含义会变得更加复杂。平行趋势可能识别出特定剂量群体相对于零暴露的效应，但要对两个正剂量进行因果比较，可能还需要对个体如何选择进入不同剂量水平作出额外假设。线性回归中处理强度的系数，对效应的概括方式施加了特定结构，并不自动代表暴露量每增加一个单位所产生的普遍因果响应。\n\n处理的撤销与反复实施的干预，要求研究者关注暴露历史。如果某项计划结束后效应仍然持续，那么曾经接受处理的单位就不等同于从未接受处理的对照单位。事件的定义必须区分开始、持续、终止以及延续效应。同样，邻近单位之间的溢出效应可能要求同时界定单位自身的处理状态及其对其他单位处理的暴露程度，从而分别得到直接效应与间接效应，而不是一个不加区分的系数。\n\n因此，双重差分法与随机对照试验之间的关系，体现为研究设计原则上的互补。随机化可以通过分配机制为比较提供依据；观察性双重差分法则依赖于对未受处理时的变化及暴露情况所施加的限制。在这两种情境下，处理前的测量都可以提高估计精度，但仅仅具备这些测量，并不会带来相同的因果识别依据。"
    }
  ],
  "links": [
    "econometrics",
    "public-health",
    "natural-experiment",
    "labor-market",
    "taxation",
    "expected-value",
    "confounding",
    "statistical-identification",
    "linear-regression",
    "statistical-interaction",
    "ordinary-least-squares",
    "fixed-effects-model",
    "propensity-score",
    "logistic-regression",
    "indicator-function",
    "statistical-power",
    "multiple-testing",
    "estimator",
    "standard-error",
    "confidence-interval",
    "covariance-matrix",
    "selection-bias",
    "regression-to-the-mean",
    "sensitivity-analysis",
    "instrumental-variables",
    "randomized-controlled-trial"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}