DID 平行趋势检验怎么看？双重差分法实操指南
摘 要双重差分（DID）识别政策净效应的前提是平行趋势假设——政策发生前处理组与控制组的走势平行。本文讲清事件研究法的系数图怎么读、政策前趋势发散的四种应对、标准误聚类的常见错误，以及审稿人最常追问的检验细节。
关键词DID；双重差分；平行趋势检验；事件研究法；PSM-DID；政策评估；因果推断；安慰剂检验
- DID 的识别假设是平行趋势：没有政策时两组走势平行——它不可直接检验，只能检验政策前的趋势
- 事件研究法（系数图）是标准做法：政策前各期系数应不显著，政策后逐渐显著
- 政策前趋势发散的应对：PSM-DID 匹配、合成控制法、控制组更换、趋势项控制
- 标准误必须在个体层面聚类，面板数据不聚类是最常见的显著性虚高来源
1 DID 在假设什么
双重差分的逻辑很直白：政策的净效应 = 处理组的前后变化 − 控制组的前后变化。第一重差分消除了组间固有差异，第二重消除了共同时间趋势。
但这个减法成立有一个前提：假如没有政策，处理组本来的走势和控制组是平行的。这就是平行趋势假设。问题在于"没有政策的反事实"永远观测不到——所以平行趋势不能被直接证明，只能间接检验：看政策发生之前，两组的走势是否平行。
2 标准做法：事件研究法系数图
把 DID 模型改写成事件研究形式：以政策实施期为基准期，估计每一期的处理效应系数，画出系数及置信区间图。读图三条判据：
| 看什么 | 合格的样子 | 不合格的样子 |
|---|---|---|
| 政策前各期系数 | 围绕 0 波动，置信区间覆盖 0 | 系数递增/递减，区间不含 0 |
| 基准期选择 | 通常选政策前一期，系数恒为 0 | 基准期选错导致图形误读 |
| 政策后系数 | 逐渐显现且方向符合理论 | 立刻跳到极值（可能是预期效应） |
政策前各期系数的联合不显著检验（而非逐期看）更严谨，主流期刊现在普遍要求报告这张图。
3 政策前趋势发散怎么办
前期系数显著，说明两组本来就不平行，直接跑 DID 会把趋势差算成政策效应。四种应对按优先级排列：
- PSM-DID：先用倾向得分匹配构造可比样本，再在匹配样本上做 DID——最常用的补救；
- 合成控制法：用多个控制单位加权合成"反事实处理组"，适合单一处理单位、前期趋势明显分层的场景；
- 更换或调整控制组：检查控制组是否混入了受政策间接影响的单位（溢出效应）；
- 加入组别特定趋势项：允许两组有不同的线性趋势，敏感性检验用，主报告慎用——趋势项本身会吸收部分政策效应。
4 两个高频技术错误
- 标准误没聚类：面板数据的误差项在个体内自相关，必须在个体层面聚类，否则显著性普遍虚高。多期 DID 还应考虑异质性稳健估计（如 Callaway–Sant'Anna、Sun–Abraham），传统双向固定效应在异质处理效应下可能有偏。
- 安慰剂检验做成装饰：随机分配处理组的安慰剂检验应重复多次（如 500 次）看真实估计值在安慰剂分布中的位置，只跑一次没有意义。
更完整的命令与稳健性组合（Stata/R 示例），参见深度版《DID 双重差分 AI 指南》。
0.1 常见问题
0.1.1 平行趋势检验通过了，DID 结果就可靠吗？
只是必要条件之一。还要检查：政策是否只有一次冲击（多次政策叠加需要区分）、有没有溢出到控制组、处理组是否存在预期行为（政策公布期与实施期分离时提前建仓）。平行趋势图合格是最容易被审稿人认可的第一步，不是全部。
0.1.2 政策前期数太少（只有一两期）怎么检验？
前期数据不足时系数图缺乏检验力。替代方案：用更长的代理变量序列做趋势对照（如同行业的相近指标）、提供外部可比事件的趋势佐证，或坦承局限并转向合成控制法。审稿人能接受"检验力不足"，不能接受"不检验也不说明"。
0.1.3 PSM-DID 是不是比 DID 更高级？
不是升级关系，是补救关系。匹配解决的是"两组本来不可比"，前提仍然是匹配后的样本满足平行趋势。正确的顺序是：先看原始样本趋势 → 分散才考虑匹配 → 匹配后再检验趋势。上来就 PSM-DID 而不报告匹配后的趋势图，是常见的流程错误。
0.1.4 DID 最少需要几期数据？
理论上政策前后各一期即可估计，但实操中至少需要政策前 3 期以上才谈得上趋势检验。政策前 2 期只能画一个点，检验形同虚设。设计研究时预留足够的前期观测是 DID 可行的先决条件。
SocienceAI·杭州师范大学阿里巴巴商学院AI商科智能体实验室 出品
- 研究方法深度文章库 · 企业GEO优化与Agentic前端部署
- 本文结构化数据与 FAQ 标记同步发布到站点知识库及知乎/CSDN/百家号/搜狐号/公众号平台