双重差分模型理论讲解学习笔记（还讲了三重差分的原理），以及配套的DID代码+数据，跟着我整理的学习笔记学习即可快速掌握DID的原理以及操作的核心要义。另外还有多期DID代码和数据、空间双重差分（SDID）实现代码加数据，matlab以及stata代码均有，都有详细的参考文献哦！可以按自己的需求购买哦，资料都是本人论文写作过程中学习并整理，可提供耐心的售后服务哦。
传统的双重差分（DID）作为政策效应评估方法中的一大利器，受到越来越多人的青睐，概括起来主要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）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”。
但是，在传统的DID中，一个经典的假设是个体处理效应稳定性假设（Stable Unit Treatment Value Assumption，SUTVA）。SUTVA最重要的一点是“处理组个体不会影响控制组个体”。换言之，在SUTVA框架下，总体中的任何个体并不会受到其他个体接受处理与否的影响。然而，这个假设在考虑到空间相关性时被打破了，或者说，当不同空间单元之间存在相关性即存在空间溢出效应时，SUTVA不再成立（Kolak&Anselin，2019）。并且事实上，SUTVA在大多数情况下可能都不成立，而现有的DID类实证文章很少会考虑到这一点，并且Ferman（2020）指出忽略空间相关性将导致标准误被低估，从而夸大系数的显著性。于是空间双重差分SDID应运而生！
本资料空间DID stata代码主要借鉴以下两篇文献，其中文献1是借鉴了文献2。
1.双循环背景下“一带一路”倡议对中国城市包容性绿色增长的促进效应分析（2021）
2.A spatial difference-in-differences analysis of the impact of sugarcane production on respiratory diseases（2016）
这两篇文献均做到了将间接效应进一步分解，不再是原来的平均效应，而是进一步分解为了处理组对处理组，处理组对非处理组
