以下内容前半部分来源：社会科学中的数据可视化（id：SKSJKSH）、普林斯顿大学教程https://dss.princeton.edu/training/DID101.pdf

后半部分论文来源于中国工业经济

双重差分法（DID）平行趋势及安慰剂检验方法合集 1、简介

现代计量经济学和统计学的发展为我们的研究提供了可行的工具。倍差法来源于计量经济学的综列数据模型，是政策分析和工程评估中广为使用的一种计量经济方法。主要是应用于在混合截面数据集中，评价某一事件或政策的影响程度。该方法的基本思路是将调查样本分为两组，一组是政策或工程作用对象即“作用组”，一组是非政策或工程作用对象即“对照组”。根据作用组和对照组在政策或工程实施前后的相关信息，可以计算作用组在政策或工程实施前后某个指标（如收入）的变化量（收入增长量），同时计算对照组在政策或工程实施前后同一指标的变化量。然后计算上述两个变化量的差值（即所谓的“倍差值”）。这就是所谓的双重差分估计量（Difference in Differences，简记DD或DID），因为它是处理组差分与控制组差分之差。该法最早由Ashenfelter（1978）引入经济学，而国内最早的应用或为周黎安、陈烨（2005）。

常用的倍差法主要包括双重倍差法和三重倍差法。双重差分法（Difference-in-difference,DID）有几种其他的称谓：倍差法、差分再差分等。该方法的原理非常简单，它要求数据期至少有两期，所有的样本被分为两类：实验组和控制组，其中实验组在第一期是没有受到政策影响，此后政策开始实施，第二期就是政策实施后的结果，控制组由于一直没有受政策干预，因此其第一期和第二期都是没有政策干预的结果。双重差分方法的测算也非常简单，两次差分的效应就是政策效应。

双重差分法的假定，为了使用OLS一致地估计方程，需要作以下两个假定。

假定1：此模型设定正确。特别地，无论处理组还是控制组，其时间趋势项都是。此假定即“平行趋势假定”（parallel trend assumption）。DID最为重要和关键的前提条件：共同趋势（Common Trends）

双重差分法并不要求实验组和控制组是完全一致的，两组之间可以存在一定的差异，但是双重差分方法要求这种差异不随着时间产生变化，也就是说，处理组和对照组在政策实施之前必须具有相同的发展趋势。

假定2：暂时性冲击与政策虚拟变量不相关。这是保证双向固定效应为一致估计量（consist estimator）的重要条件。在此，可以允许个体固定效应与政策虚拟变量相关（可通过双重差分或组内变换消去，或通过LSDV法控制）。

DID允许根据个体特征进行选择，只要此特征不随时间而变；这是DID的最大优点，即可以部分地缓解因 “选择偏差”（selection bias）而导致的内生性（endogeneity）。

2、DID操作案例

Difference in differences (DID) Estimation step‐by‐step双重差分操作步骤

首先我们读入所需数据，生成政策前后以及控制组虚拟变量，并将它们相乘产生交互项。

方法一：

Getting sample data调用数据

use "http://dss.princeton.edu/training/Panel101.dta", clear

Create a dummy variable to indicate the time when the treatment started. Lets assume that treatment started in1994. In this case, years before 1994 will have a value of 0 and 1994+ a 1. If you already have this skip this step.设置虚拟变量，政策执行时间为1994年

gen time = (year>=1994) & !missing(year)

*Create a dummy variable to identify the group exposed to the treatment. In this example lets assumed that countries with code 5,6, and 7 were treated (=1). Countries 1-4 were not treated (=0). If you already have this skip this step生成地区的虚拟变量

gen treated = (country>4) & !missing(country)

* Create an interaction between time and treated. We will call this interaction ‘did’ 产生交互项

gen did = time*treated

Estimating the DID estimator随后将这三个变量作为解释变量，y作为被解释变量进行回归：

reg y time treated did, r

结果为：

. gen time = (year>=1994) & !missing(year)

.

.

. gen treated = (country>4) & !missing(country)

.

.

. gen did = time*treated

. reg y time treated did, r

Linear regression Number of obs = 70

F(3, 66) = 2.17

Prob > F = 0.0998

R-squared = 0.0827

Root MSE = 3.0e+09

------------------------------------------------------------------------------

| Robust

y | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

time | 2.29e+09 9.00e+08 2.54 0.013 4.92e+08 4.09e+09

treated | 1.78e+09 1.05e+09 1.70 0.094 -3.11e+08 3.86e+09

did | -2.52e+09 1.45e+09 -1.73 0.088 -5.42e+09 3.81e+08

_cons | 3.58e+08 7.61e+08 0.47 0.640 -1.16e+09 1.88e+09

------------------------------------------------------------------------------

. reg y time treated did, r

Linear regression Number of obs = 70

F(3, 66) = 2.17

Prob > F = 0.0998

R-squared = 0.0827

Root MSE = 3.0e+09

------------------------------------------------------------------------------

| Robust

y | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

time | 2.29e+09 9.00e+08 2.54 0.013 4.92e+08 4.09e+09

treated | 1.78e+09 1.05e+09 1.70 0.094 -3.11e+08 3.86e+09

did | -2.52e+09 1.45e+09 -1.73 0.088 -5.42e+09 3.81e+08

_cons | 3.58e+08 7.61e+08 0.47 0.640 -1.16e+09 1.88e+09

------------------------------------------------------------------------------

.

did的系数显著为负，表明政策实施对Y有显著的（10%显著性水平下）负效应

方法二：diff

The command diff is user‐defined for Stata，To install type

ssc install diff下载外部命令方法

**diff y, t(treated) p(time)**

结果为：

. diff y, t(treated) p(time)

DIFFERENCE-IN-DIFFERENCES ESTIMATION RESULTS

Number of observations inthe DIFF-IN-DIFF: 70

Before After

Control: 16 24 40

Treated: 12 18 30

28 42

--------------------------------------------------------

Outcome var. | y | S. Err. | |t| | P>|t|

----------------+---------+---------+---------+---------

Before | | | |

Control | 3.6e+08| | |

Treated | 2.1e+09| | |

Diff (T-C) | 1.8e+09| 1.1e+09| 1.58 | 0.120

After | | | |

Control | 2.6e+09| | |

Treated | 1.9e+09| | |

Diff (T-C) | -7.4e+08| 9.2e+08| 0.81 | 0.422

| | | |

Diff-in-Diff | -2.5e+09| 1.5e+09| 1.73 | 0.088*

--------------------------------------------------------

R-square: 0.08

* Means and Standard Errors are estimated by linear regression

**Inference: *** p