DID 双重差分分析 AI 实操指南：从平行趋势检验到异质性处理效应
摘 要本文系统讲解双重差分（DID）的核心概念、识别假设、平行趋势检验、双向固定效应（TWFE）估计与交错处理设计下的现代估计量，并给出 AI 辅助 DID 研究的 5 个介入点与可复用提示词模板。
关键词DID；双重差分；Difference-in-Differences；平行趋势检验；因果推断；政策评估；双向固定效应；TWFE；交错处理；CS 估计量；Bacon 分解
- DID 是政策评估与因果推断的主流准实验方法
- 平行趋势假设是命门：必须以事件研究图 + 联合检验双重验证
- 交错处理下传统 TWFE 会因"已处理组充当对照"产生偏误
- Goodman-Bacon 分解是诊断交错处理偏误的标准工具
- 现代估计量 CS 与 IW 是 2020 年以来顶级期刊的通行做法
- AI 辅助 5 个介入点：研究设计审查、数据清洗、诊断代码、异质性探索、写作答辩
1 引言：DID 在社科因果推断中的王冠地位
双重差分（Difference-in-Differences, DID）是政策评估与社会科学因果推断领域使用最广泛的准实验方法之一。其核心识别假设是"平行趋势"——若政策未实施，处理组与对照组的结果变量将沿平行路径演化。早期范式在"处理时点统一"（所有处理组同时接受处理）时表现尚可，但近年方法学进展（Callaway & Sant'Anna 2021、Sun & Abraham 2021、Goodman-Bacon 2021）揭示了传统 TWFE 在"交错处理"（不同时点先后接受处理）下的负权重偏误，推动了"现代 DID"的范式更新。
本文系统梳理 DID 识别的核心假设、基准模型的设定、交错处理下的偏误诊断与现代估计量、AI 辅助的 5 个介入点、稳健性检验清单与论文报告标准。
2 DID 核心识别假设与基础概念
DID 的直觉可概括为"对照组的变化代表处理组本应发生的变化"。若政策未实施，处理组结果的变化趋势应与对照组相同（平行趋势假设），那么处理组实际变化与"本应变化"之差即为政策的因果效应。DID 通过两次差分实现：第一次差分消除个体/组别固定差异，第二次差分消除共同时间趋势，从而在无随机实验条件下逼近因果效应。
DID 的核心识别假设包含三条：
| 假设 | 内容 | 验证方法 |
|---|---|---|
| 平行趋势假设 | 处理组与对照组在政策前沿平行路径演化 | 事件研究图 + 联合检验 |
| 无干扰假设（SUTVA） | 个体间的处理状态互不影响 | 理论论证 + 溢出效应检验 |
| 外生性假设 | 政策实施时点相对个体不可预期 | 政策事件研究 + 选择性检验 |
平行趋势假设是命门。仅凭事件研究图"目测"不够，还需联合检验（各期处理前系数联合为0的F检验/Wald检验）。即使通过也不等于 DID 因果成立——它只能证伪明显违反，无法证明因果识别，研究者仍需从理论层面论证无遗漏的时变混杂因素。
3 基准 TWFE 模型与双向固定效应
传统 DID 估计采用双向固定效应模型（two-way fixed effects, TWFE）：
$$Y_{it} = \alpha_i + \lambda_t + \beta \cdot D_{it} + \varepsilon_{it}$$
其中 $\alpha_i$ 吸收个体固定效应（控制组别差异），$\lambda_t$ 吸收时间固定效应（控制共同时间趋势），$D_{it}$ 为处理状态与政策时间的交互项。TWFE 在"处理时点统一"（所有处理组同时接受处理）时给出无偏估计。
DID 估计量解释为"政策对处理组结果的平均处理效应（ATT）"。报告时应给出：系数估计值、标准误（建议聚类到处理组层级）、置信区间、效应量（相对于样本均值的百分比）。
4 交错处理下的偏误与现代估计量
当处理组在不同时点先后接受处理（交错处理）时，传统 TWFE 估计量会混入"已处理组充当对照"的比较，在异质性处理效应下产生偏误——甚至可能出现"负权重"导致符号反转。
Goodman-Bacon (2021) 首次对 TWFE 在交错处理下的分解给出清晰诊断（Goodman-Bacon 分解），成为现代 DID 研究的必读文献。论文使用 Bacon 分解即可诊断是否"已处理组充当对照"的偏误存在。
现代估计量：
- Callaway & Sant'Anna (2021)：CS 估计量按"处理组群×时间"分组估计，以"从未处理组"或"尚未处理组"为对照，聚合得到稳健的 ATT
- Sun & Abraham (2021)：IW 估计量修复事件研究图在异质性效应下的偏误
实务建议：先运行传统 TWFE 作为基准，再用 CS / IW 估计量交叉验证；若结论稳健，报告两者；若结论分歧，深入探索效应异质性来源。这是当前顶级期刊的通行操作规范。
5 AI 辅助 DID 研究的 5 个介入点
| 介入点 | AI 能力 | 操作建议 |
|---|---|---|
| 研究设计审查 | 同领域 DID 文献综述 | 检查平行趋势论证、识别对照组构建策略 |
| 数据清洗与变量构造 | 代码生成 | 面板数据清理、处理状态变量、事件时间变量 |
| 诊断代码生成 | Stata/R/Statsmodels 代码 | 事件研究图、平行趋势检验、安慰剂检验 |
| 异质性效应探索 | 分组异质性分析设计 | 按行业、规模、地区分组 |
| 写作与答辩 | 方法学局限讨论 | 预判审稿人质疑 |
AI 使用边界：AI 不能替代研究者完成三件事——①界定"什么是处理"（政策理解需领域知识）；②判断平行趋势的理论合理性（统计检验无法覆盖所有时变混杂）；③决定效应解释（经济意义判断）。AI 是"执行加速器"，不是"因果裁判"。
6 常见问题
6.1 平行趋势不通过怎么办？
四种应对：①增加控制变量吸收时变混杂；②改变对照组选择（合成 DID、PSM-DID）；③使用更稳健的现代估计量（CS、IW）；④审慎讨论处理组与对照组的反向可能时变混杂因素。具体方法详见 DID 平行趋势检验。
6.2 两组数据怎么办？
仅有两期数据时无法检验平行趋势，只能依赖理论论证或安慰剂检验。审稿人几乎必然质疑"为何两组的趋势在政策前就平行"——因此现代 DID 研究普遍要求至少 4—6 期政策前数据用于事件研究图。
6.3 DID 与 RCT 的关系？
DID 是"无随机实验"下的因果识别方法，识别假设比 RCT 弱。如果可以设计 RCT，RCT 的因果识别更强。但实际研究中，RCT 成本太高或伦理不允许，DID 成为主流方案。
参考文献
- Angrist J D, Pischke J-S. Mostly Harmless Econometrics: An Empiricist's Companion [M]. Princeton University Press, 2009.
- Abadie A. Semiparametric Difference-in-Differences Estimators [J]. Review of Economic Studies, 2005, 72(1): 1-19.
- Goodman-Bacon A. Difference-in-differences with variation in treatment timing [J]. Journal of Econometrics, 2021, 225(2): 254-277.
- Callaway B, Sant'Anna P H C. Difference-in-Differences with multiple time periods [J]. Journal of Econometrics, 2021, 225(2): 200-230.
- Sun L, Abraham S. Estimating dynamic treatment effects in event studies with heterogeneous treatment effects [J]. Journal of Econometrics, 2021, 225(2): 175-199.
- DID 平行趋势检验 [EB/OL]. SocienceAI (2026-09-28) [2026-10-11]. https://www.socienceai.com/articles/did-parallel-trend-guide.html