在计量经济学研究中，双重差分法(Difference-in-Difference，DID)多用于公共政策或项目实施效果评估。近年来，双重差分法受到越来越多研究人员的青睐；本文将从双重差分法的原理、假设、模型说明以及案例讲解四方面进行介绍：

（一）原理

双重差分法普遍应用于政策效应评估研究。

例如研究 “ 京津冀协同发展 ” 、“ 高铁开通 ” 等政策实施带来的影响情况。

基本思想：

我们一般将使得自然环境发生改变的实验叫做自然实验。

双重差分法是一种比较成熟的进行政策研究的分析方法，其作用原理与自然实验相类似。它将某项政策的实施看作是一项自然实验，通过在样本中加入一组未受政策影响控制组，与原本受政策影响的样本点构成实验组进行比较分析，来考察政策实施对分析对象造成的净影响。

（二）假设

使用双重差分法进行政策效应评估，样本数据需要满足三个假设，分别是线性关系假设、个体处理稳定性假设、平行趋势假设。前两个假设一般都会满足，不需要单独进行验证，应该重点验证假设3。

假设1——线性关系假设

潜在结果变量同处理变量和时间变量满足线性条件。

假设2——个体处理稳定性假设

政策干预只影响实验组，不会对控制组产生交互影响。

假设3——平行趋势假设（最重要）

实验组和控制组在没有政策干预之前，二者的结果效应趋势应该是一样的（满足平行趋势）。

SPSSAU进行平行趋势检验的方法主要可分为以下几种：

以上检验方法将在下述案例讲解中进行演示说明。

（三）模型说明

双重差分法模型如下：

其中，i 代表个体，t 代表时间。Treat i 是分组虚拟变量，如果个体 i 属于实验组， 则Treat i =1；否则Treat i =0 。 After t 是分期虚拟变量，时间 t 在政策事件发生后，则 After t =1；否则 After t = 0；Treat i *After t为交互项，其系数β3即为双重差分模型重点考察的政策实施的净效应。

模型系数含义：

原理示意图：

（四）案例讲解

1、背景说明

研究经济示范区的设立是否会对地区经济增长产生影响（数据虚构，无实际意义）。

实验组为设立为高新区的B地区，控制组为与B地区除是否设立高新区这一因素外，其余发展条件相似的A地区。数字0为政策实施前，数字1为政策实施后。研究的效应项即被解释变量Y为 “ GDP ”，除此之外，还有3个控制变量（如：人口、对外投资、高校数量等会影响GDP的指标）。

2、数据格式

双重差分法的数据格式如下图所示，地区1表示实验组，地区0表示控制组；时间1表示政策实施后，时间0表示政策实施前。

3、SPSSAU操作

使用SPSSAU进行双重差分法操作如下，将指标分别拖拽到左侧对应分析框中：

4、输出结果解读

双重差分法得到的分析结果，需要重点关注的表格包括DID模型描述统计表、DID模型结果汇总表、t检验(Before)表、OLS回归分析结果表，分别说明如下：

• DID模型描述统计

上表格展示实验组、控制组，以及实验前后的样本分布情况。从上表可知，本案例实验组共有155个样本，控制组共有646个样本。双重差分法共4种组合，即实验组实验前、实验组实验后、控制组实验前、控制组实验后，每种组合一定要有数据才可以。

• DID模型结果汇总

上表格展示DID模型最终结果。分别包括实验前（Before）和实验后（After）时，控制组或实验组的效应值水平。

效应值：效应值是一种量化指标，并非被解释变量从业人数的平均值（但通常接近于平均值），数学原理上其为ols回归的回归系数值。

表格解读：

①实验前Before状态时，实验组和控制组的差分效应量对应的t检验的p=0.556>0.05，没有呈现出显著性差异，即说明实验前，实验组和控制组的效应水平结果没有明显的差异性，即说明样本满足 ‘平行趋势假设 ’。

②实验后After状态时，实验组和控制组的差分效应量对应t检验的p=0.024<0.05，呈现出显著性差异，即说明在实验后，实验组的效应值明显高于控制组效应值。

③Diff-in-Diff，即最终的双重差分值，上表格时，双重差分效应值为2.935且对应t检验的p=0.045<0.05，呈现出显著性差异，即说明双重差分效应显著，说明 “ 高新区的设立 ” 有助于 “ 地区经济增长 ”，提高的平均效应水平为2.935。

• t检验（Before）（平行趋势检验）

上表格展示t检验法进行“ 平行趋势检验 ”：针对实验前数据进行t检验，可以看出，实验组和控制组并没有呈现出显著性差异（p=0.978>0.05），说明在实验前，实验组和控制组的GDP并没有明显的差异性，即样本满足平行趋势假设（通常仅关注被解释变量Y的差异性）。

补充：平行趋势检验的其他方法

• 交互项显著性检验法

① 将时间项做哑变量处理 【生成变量->虚拟(哑)变量】

② 将时间_实验前与地区作交互项得到Product_2项 【生成变量->乘积(交互项)】

③ 交互项与被解释变量Y做线性回归，判断交互项显著性。

从上表可以看出，交互项Product_2项对应p=0.957>0.05，没有呈现出显著性，说明样本数据满足平行趋势假设。 

• F检验法

与交互项显著性检验法检验过程一样，最后查看F统计量显著性。

从上表可以看出，F统计量对应p=0.957>0.1（一般以p>0.1作为标准），没有呈现出显著性，说明样本数据满足平行趋势假设。

• 图示法

使用SPSSAU簇状图完成，横坐标为时间，纵坐标为被解释变量Y：

从上图可以看出，实验前实验组和控制组的GDP效应水平基本一致，因此样本数据满足平行趋势假设。

• OLS回归分析结果

上表格展示OLS回归分析结果，其为双重差分模型的数学原理。

如上表格中 “ 地区*时间 ” 这一交互项的回归系数值2.935即为 “ DID模型结果汇总 ”表格中的Diff-in-Diff效应值。

其他说明

双重差分法的模型和原理相比其他方法来讲比较容易理解和运用，同时其能够很大程度地避免内生性问题，即有效控制被解释变量和解释变量之间的相互影响效应，这两点主要原因使得双重差分法近年来被广泛应用。

但是双重差分法也有其局限性。比如双重差分法主要适用于面板数据，如果只是截面数据，就不适合使用该方法；再者在实际研究中，很可能找不到合适的控制组来进行比较，那么研究者很可能根据主观判断选取控制组，导致研究不够严谨。所以在实际研究中，一定要关注双重差分法使用的前提假设等。如果确实不适合使用双重差分法，可以选择其他方法进行分析，比如PSM-DID、合成控制法等等。

案例数据请查看帮助手册：https://spssau.com/helps/conometricstudy/did.html