从双重差分到事件研究法，一网打尽所有DID前沿！
学术
2024-11-06 11:32
四川
原文信息：黄炜,张子尧,刘安然.从双重差分法到事件研究法[J].产业经济评论,2022,(02):17-36.
随着计量经济学“可信性革命”席卷经济学的各个领域，基于潜在因果模型的因果效应识别策略，如匹配法、工具变量法、双重差分法和断点回归设计等，逐渐成为了经济学等社会科学领域实证研究的通行研究范式。上述几种方法的使用要求和适应场景各不相同，双重差分法由于其直观清晰、易于理解，并且实际操作难度较低、上手简单等特点而广为应用。然而，伴随着双重差分法的广泛使用，一些对于双重差分法的不精确理解甚至是错误认识也逐渐开始出现。常见的一些问题包括：双重差分法的基本识别假设是什么？双重差分法需要政策是完全随机分配的吗？平行趋势假设是什么？通常所说的平行趋势检验真的是在检验平行趋势假设吗？控制变量应该如何选取？什么样的变量必须控制，什么样的变量必须不能控制，什么样的变量可以控制也可以不控制？当政策干预时点不一致时双重差分法应该如何实现？这种实现方法有什么问题，应该如何改进？等等。双重差分是一种尝试采用控制组实际未经处理的结果变化作为处理组倘若未经处理的结果变化的反事实来分析因果效应的方法，通常包括冲击事件、处理组、控制组和时期这四个要素，其经典构造可以表示为如下形式：标准双重差分法模型和双向固定效应双重差分法模型涉及的政策实施时点或冲击发生时点为同一时期。然而，现实生活中诸多政策实施未必发生在某一时点，而是先有试点再逐步推广，在渐进的过程中推而行之，如增值税转型、土地确权、新农保实施、高铁修建等。当所有研究对象均或多或少同时受到了政策干预，即仅有处理组而无控制组时，仍然能够考虑应用双重差分法。对此，可以根据研究对象受到的具体冲击情况来构建处理强度指标来进行分析，此时个体维度并不是从0到1的改变，而是连续的变化。因此，可以将个体维度的政策分组虚拟变量替换为用以表示不同个体受政策影响程度的连续型变量，该种方法被称为广义双重差分法。 队列双重差分法也被称为截面双重差分法，即使用横截面数据来评估某一历史事件对个体的长期影响。队列双重差分法同样是比较两个维度上的差异大小：一个维度为地区间差异，标识该地区是否受干预政策影响或干预强度；另一个维度为出生队列间差异，标识个体是否受到了干预政策的影响。在标准双重差分法等方法的应用情境中，处理组和控制组之间通常泾渭分明，因此可以通过分组差分得到较为“干净”的处理效应。但是，有时冲击并未带来急剧变化，所谓的“处理组”中虽然受冲击率高于其他组别，但并没有完全被干预或受政策冲击，而所谓的“控制组”中也并非完全没有受到冲击，即处理组和控制组之间没有明确的分野，不存在“干净”的处理组与控制组。三重差分法引入了第三个维度“组别”，通过比较不同组别间的处理组和控制组在干预政策前后结果变量变化的差异来识别因果效应。三重差分法的应用场景通常有两个：一是在平行趋势假设不满足时引入第三个维度的差分来帮助消除处理组和控制组间的时间趋势差异；二是在平行趋势满足时，用于识别干预政策在不同群体间的异质性处理效应。双重差分法的应用需要满足一定的假设条件，倘若违背了这些前提假设，估计结果可能会严重偏离真实的因果效应。本部分对双重差分法的识别假设内容及可能违背假设的情景、后果进行讨论。双重差分法最基本的假设是平行趋势假设，又称共同趋势假设，是指倘若处理组个体未接受干预或冲击，则其结果变动趋势与控制组个体结果变动趋势相同。该假设数学表达如下：3.单位处理变量值稳定假设是指不同个体是否受到政策冲击是相互独立的，某一个体受政策冲击的情况不影响任何其他个体的结果。直观理解，不满足SUTVA意味着控制组个体也受到了干预政策的影响，因而不再是事实上未受干预影响的“真实”控制组，也就无法使用控制组时间趋势来构建处理组时间趋势的反事实。在回归方程中加入控制变量起到两个作用。第一，保证条件独立假设成立。第二，减小误差，提高估计精度。如果处理变量iD与误差项itε已经不相关，无论是否加入控制变量，b都是因果效应β的一致估计。此时加入合理的控制变量可以降低误差从而提高估计精度。 平行趋势又称共同趋势，指处理组个体的itY在没有接受处理的状态下拥有和控制组个体itY相同的时间变动趋势，它是双重差分法能够正确识别因果效应的前提条件。由于处理组个体在处理时点后的反事实结果（处理组没有接受处理的itY）无法观察到，平行趋势假设本质上是无法直接检验的。对于一般的双重差分法（处理时点相同），一般通过如下方程对事前平行趋势进行检验：在双重差分法中额外地控制住组间线性趋势可以作为一种稳健性检验：若平行趋势假设满足，那么是否加入组间线性时间趋势不会对估计结果产生明显影响；反之，若估计结果发生了明显改变，则预示着组间时间趋势可能存在差异，平行趋势假设可能并不满足。在标准的双重差分法中处理组在同一个时间点受到干预，然而现实中有相当多的政策并非是一次性全面实施，而是先在某些地区试点后再分批逐步推广，处理时点并不一致。交错双重差分法的回归方程设定为如下形式： 动态双重差分法不再以绝对时间为参照系，而是以干预发生时点作为相对时间参照系。动态双重差分法的计量方程设定形式为：双重差分法应用最多的场景是评估政策效应。总体而言，使用双重差分法评估政策效应要求对政策的具体实施情况有深入、清晰的了解：政策什么时候开始真正实施？政策是否按照要求得到了准确执行？行为主体是否采取了一些应对措施？等等。这一系列问题与双重差分法是否合理、可行程度密切相关，也是进一步深入分析政策机制效应的良好开端。因此，政策评估类的实证研究有必要高度重视制度背景和政策实施情况。在第二部分双重差分法的识别假设部分，我们强调了双重差分法本身并没有解决内生性问题，而是“假设”干预政策是外生，内生性问题的解决仍然依赖于干预政策本身的外生性。然而，这里的外生性是什么意义上的外生性？换言之，双重差分法下需要干预政策和谁之间是外生的？一种看法认为干预政策必须是完全随机（自然实验）或者近似随机分配（准自然实验），即干预政策和模型未考虑的所有因素（扰动项）之间不相关，只有在这种情况下才适用双重差分法. 双重差分法的另一个核心识别假设是SUTVA，即干预不存在一般均衡效应或溢出效应。然而，现实中的各项政策几乎或多或少都会存在一定的一般均衡效应，例如前文提到的上游省份加强水质环境规制会影响下游省份水质的例子。特别是在长期中，当处理组个体的决策发生变化时，控制组个体一定会随之调整自身的行为决策。因此，干预政策是否存在溢出效应是任何一个使用双重差分法的实证研究必须考虑的潜在威胁。双重差分法广泛应用于各类公共政策的评估，如果估计得到了政策效应符合预期，是否就意味着政策达到了初始目标或是政策本身就是有效的呢？不是。一般而言，双重差分法只能评估干预政策对研究者感兴趣的结果变量的影响，但研究者并不清楚政策本身的机会成本有多大，也不清楚政策的净收益到底是多少。评估政策效应整体上是否符合预期或是政策是否有效率，并不能仅根据估计结果就判断政策是否有效，而是需要从更广泛的一般均衡角度，从整体上对政策进行成本收益分析。 ![]()
