对双重差分法研究的论文有哪些

双重差分模型在政策评估评估中被广泛应用。也是在实证研究中非常重要的一种模型构建，DID方法主要用于政策评估，尤其是对我国渐进式政策改革的评估，具有很好的模型拟合效果。 DID方法利用政策的准自然实验将研究对象随机的分成处理组和对照组，其中受政策影响的个体称为处理组，反之是对照组。为了估计政策效应，需要先比较处理组在政策发生前后的变化，但这种变化的部分也可能是时间效应所导致的。所以需要引入对照组在政策发生前后的结果变量的变化来提出处理组内的时间效应。即通过对照组来假设构建一个只存在时间效应而没有受到政策影响的处理组。 1、双重差分模型（DID） 3种方式来理解DID：表格法、画图法和回归法。一般而言，最终需要通过回归来具体识别政策效应的影响。 表格法：首先分别计算处理组和对照组在政策发生前后结果变量的均值。然后用处理组政策发生后的均值减去政策发生前的均值得到处理组政策前后的变化，对照组也进行同样操作得到对照组在政策发生前后的变化。最后，我们用处理组的变化减去对照组的变化，即剔除掉时间效应，就可以得到政策效应，两次相减的过程就体现了双重差分的思想。画图法：（略） 这里需要注意的是，我们运用该方法前，需要假设二者存在共同趋势。即除了政策外，两者并没有显著不同，也就是说，政策发生前，对照组与处理组的结果变量呈现出共同的变化趋势，且趋势改变速率差异不大。对于共同趋势的检验通常利用“安慰剂检验”。需要注意的是，共同趋势检验是安慰剂检验，但是反过来则不成立，这两者是包含关系。安慰剂检验方法有很多，接下来介绍3种方法： 第一种，采用政策发生之前的数据，将政策实施前的除第一年之外的所有年份“人为地”设定成为处理组的政策实施年份。然后，根据DID模型逐年回归，当所有回归中的交互项系数都不显著时，说明通过了安慰剂检验，表明之前识别的政策平均效应时可靠的，否则就是不可靠的。如果政策实施前有n年数据，那么就需要做n-1次回归。 第二种，“人为地”随机选择政策实施对象（处理组），然后使用全样本做DID回归。如果交互项系数不显著，则判断政策对随机选择的处理组都不存在政策效应，可以进一步证明之前识别的政策平均效应结果时可靠稳健的。 第三种，改变被解释变量，通常选择理论上不受政策影响的其他变量，保持真实的对照组和处理组、真实的政策实施时间，重新进行DID回归，理想的结果是，该政策的实施对其他被解释变量都不存在政策效应。 当对照组和处理组确实不存在共同趋势时，提供三种解决思路： 第一种，寻找更好的对照组，也可以把多个对照组加权构成一个虚拟对照组，这样尽管每个对照组都与实验组的时间趋势不同，但加权后的虚拟对照组的时间趋势与处理组相同。（合成控制法）Abadie等（2010）用该方法研究加州的控烟法对烟草消费的影响，他们利用其他州的数据加权模拟了加州在没有该法案时潜在烟草消费水平。 第二种，估算出因时间趋势不同带来的偏差，然后从双重差分结果中减去这个偏差，即三重差分法。三重差分法的思路为，既然两个地区的时间趋势不一样，那么我们可以分别在两个地区寻找一个没有受到干预影响的人群或行业，通过对这两组的双重差分估算出时间趋势的差异，然后在从原来实验组和对照组的双重差分估算值中减去这个时间趋势差异。 假设B州针对65岁及以上老年人（E）引入了新的医保政策，而该政策不适用于65岁以下人群（N），欲考察此政策对于健康状况y的影响。 双重差分法的思路为： 1、以B州65岁及以上人群为实验组，65岁以下人群为对照组，这种方法可能存在的缺陷为，年轻人和老年人的健康状况随着时间可能发生不同的变化； 2、以相邻A州65岁及以上的老年人作为对照组，但是这样不能保证政策实施前，两个州的老年人健康状况有相同的时间趋势。 考虑构建三重差分模型，首先将B州65岁及以上人群作为实验组，65岁以下人群作为对照组，然后使用A州的数据衡量A州的年轻人和老年人的健康状况随时间变化的不同趋势，最后再从双重差分的结果中把这一不同减去，就能估计出政策效应。

百度知道双重差分模型显著但是系数小JinLaiOumask超过40用户采纳过TA的回答第一部分 模型简介1、模型应用背景2、模型运用前提条件3、稳健性检验第二部分 经典论文分析1、民族地区转移支付、公共支出差异与经济发展差距2、基于多期双重差分的分位回归及其应用第三部分 双重差分模型（DID）stata实例操作1、变量构造和基本命令2、平行趋势检验第四部分 经典论文推荐第五部分 专题预览估计政策效应常用的方法有：工具变量法、断点回归、倾向得分匹配法、双重差分法、合成控制法等。我们在这里介绍双重差分法。第一部分 模型简介1、模型应用背景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）。2、模型运用前提条件 使用前提（1）政策不能是“一刀切”类型，即存在受政策影响的实验组和不受政策影响的对照组（2）至少两年的面板数据，如果是截面数据一般也别考虑了 模型前提（1）平行趋势（CT）假设：处理组和对照组有共同趋势，在政策干预之前，处理组和控制组的结果效应的趋势应该是一样的。（2）SUTVA条件：政策干预只影响处理组，不会对控制组产生交互影响，或者政策干预不会产生外溢效应；（3）线性形式条件：潜在结果变量同处理变量和时间变量满足线性条件。由此可见DID的使用条件较为严苛，并不能随意使用。3、稳健性检验为了证明所有的效应是由政策实施所引起的，必须做稳健性检验，主要体现在两个方面： 平行趋势检验如果是多

没有。双重差分方法（简称无空格DID无空格方法）在公共政策评估中的应用越来越广泛，该方法虽然形式简单，但在应用时需要满足比较严格的条件，一般情况下对公共政策评估的研究中这些条件无法完全满足。本文在已有理论和相关研究文献的基础上，系统地介绍了经典双重差分法的思想和原理，并以模型的假设条件为线索，从违背平行趋势假设，SUTVA无空格假设和非线性模型三个方面对该方法研究进展及其在公共政策评估中的应用进行了论述，最后，在统一框架下比较了该方法同其他政策评估方法的差异性。旨在为研究者使用无空格DID无空格方法科学准确地评估公共政策效果提供参考。

双重差分 (Differences-in-Differences,DID)，其常用于政策评估效应研究，比如研究‘鼓励上市政策’、‘开通沪港通’、‘开通高铁’、‘引入新教育模式’等效应时，分析效应带来的影响情况。

涉及两个关键数据，分别是Treated和Time，此处Treated为地区（A和B两个地区），以及时间项Time(高铁开通前和开通后)。

同时研究‘开通高铁’参于gdp的影响，那么被解释变量Y即为gdp，与此同时还涉及可选的控制变量（控制变量为可选项，多数情况下并不需要），比如教育投入，人口或对外投资情况等，如下表说明：

特别提示：

理论上，双重差分研究可在很大程度上避免数据内生性问题。‘政策效应’通常为外生项，因而不存在双向因果关系，比如开通高铁影响gdp，gdp同时影响开通开通。与此同时，双重差分也有着一定的前提性要求，通常其希望满足‘平行趋势假设’（Parallel Trend Assumption），即time项为0时，即比如开通高铁前，A类和B类两类地区的gdp数据需要无明显的差异性。

至于‘平行趋势假设’（共同趋势）的检验，其有多种检验方式。包括t检验法，‘交叉项’显著性检验法，F统计量检验法，图示法。具体说明如下：

针对‘交互项显著性检验法’或‘F统计量检验法’，时间项可能仅为2期（实验前和实验后），也可能为多期m期（m>2），那么哑变量设置后，放入分析的交互项为‘实验前时的交互项’，如下表说明：

关于哑变量说明：

如果是使用t检验法，SPSSAU在进行DID分析时默认有提供，如果是使用‘交互项显著性检验法’或者‘F统计量检验法’，可先将时间项作哑变量处理后，与treated项作交互项，然后进行线性回归（SPSSAU通用方法里面的线性回归或计量研究里面的OLS回归均可）。如果是使用‘图示法’，则使用SPSSAU【可视化-> 簇状图 】完成。

某地区（实验组，B地区）通过法律将最低工资从每小时美元提高中到美元，但相邻的另一地区(控制组，A地区)保持不变。某研究人员收集实施新法律前后就业人数数据，使用DID差分法进行研究‘提高最低工资’是否有助于‘就业人数增加’，即提高最低工资是否会提升民众的就业积极性。

此案例时：treated为地区（数字0为控制组即A地区，数字1为实验组即B地区）。Time为时间（数字0为法律实施前，数字1为法律实施后）。研究的效应项即被解释变量Y为‘就业人数’。与此同时还有另外3个控制变量。

双重差分法DID，其通常用于政策效应类研究。共涉及两项，分别是实验组别treated（数字0表示控制组，数字1表示实验组），和时间项time（数字0表示实验前，数字1表示实验后）。一般希望在实验前即time为0时，实验组别数据基本保持一致性，即满足‘平行趋势假设’。‘平行趋势假设’检验有多种方式，建议查看本页面中相关说明。

比如本案例可使用SPSSAU的簇状图进行‘平行趋势假设’查看，如下图可以看到，实验前时两个组别的‘从业人数’即效应水平基本完全一致，说明满足‘平行趋势假设’，因而可以继续分析，当然也可使用实验前时，控制组和实验组效应值的差异情况进行检验，SPSSAU默认有提供。

本案例操作截图如下，案例中带3个控制变量，如果没有控制变量可直接不放入即可，如下：

SPSSAU共输出5类表格，分别是DID模型描述统计，DID模型结果汇总，t 检验(Before)，t 检验(After)，OLS回归分析结果。说明如下：

上表格展示不同实验组别，以及实验前后时的样本分布情况。本案例共有155个实验样本，77个为实验前，78个为实验后。

上表格展示DID模型最终结果。分别包括实验前和实验后时，控制组或实验组的效应值水平（特别提示，效应值是一种量化指标，并非被解释变量从业人数的平均值（但通常接近于平均值），数学原理上其为ols回归的回归系数值）。

上表格显示：在实验前before状态时，实验组和控制组的差分效应量为,并且没有呈现出显著性（p = >），即说明实验前时，实验组和控制组的效应水平基本一致并没有明显的差异性，也即说明满足‘平行趋势假设’。

实验后after状态时，实验组和控制组的差分效应量为，并且呈现出显著性（p = < ），即说明在实验后时间点时，实验组的效应值明显高于控制组效应值。

最终查看应该以diff-in-diff，即最终的双重差分值，上表格时，双重差分效应值为且呈现出显著性（p = < ），也即说明双重差分效应显著，即说明‘提高最低工资’是否有助于‘就业人数增加’，提高的平均效应水平为。

上表格展示实验前状态时，控制组和实验组两类别下被解释变量或控制变量的差异情况。通常仅关注被解释变量的差异性即可，从上表格可知，控制组和实验组并没有呈现出显著性（p = > ），也即说明实验前时控制组和实验组的‘从业人数’并没有明显的差异性，即说明数据通过‘平行趋势假设’。

上表格展示实验后状态时，控制组和实验组两类别下被解释变量或控制变量的差异情况。通常仅关注被解释变量的差异性即可，从上表格可知，控制组和实验组呈现出显著性（p = 0. 043 < ），也即说明实验前时控制组和实验组的‘从业人数’呈现出明显的差异性，说明实验后状态下实验组和控制组的平均水平有着显著性差异，而且实验组()明显高于控制组（）。

上表格展示OLS回归结果，其为DID差分模型的数学原理，比如上表格中treate*time这一交互项的回归系数值为即为‘DID模型结果汇总’表格中的Diff-in-Diff效应值。

涉及以下几个关键点，分别如下：

出现这种结果是由于冲击的净效应很小。双差分模型的形式也比较简单，本质上是线性回归。d是分组的虚拟变量。 研究事件和政策影响时，受冲击影响，个体I属于实验组，D=1，反之个体I属于对照组，D=0。 t是时间的虚拟变量，在发生一个事件或策略时，碰撞前T=0，碰撞后T=1。 D*T是群虚拟变量与时间虚拟变量的相互作用项，其系数反映了冲击的净效应。