双重差分法在政策评估中的平行趋势检验.docxVIP

双重差分法在政策评估中的平行趋势检验

一、双重差分法的基本原理

（一）双重差分法的定义与核心思想

双重差分法（Difference-in-Differences,DID）是一种基于自然实验的准实验设计方法，广泛应用于政策效应评估。其核心思想是通过比较处理组与对照组在政策实施前后的变化差异，剥离时间趋势和其他混杂因素的影响，从而识别政策的净效应。根据Card和Krueger（1994）对最低工资政策的研究，DID通过两次差分（时间维度与组别维度）有效控制不可观测的异质性。

（二）双重差分法的数学模型

经典DID模型可表示为：

[Y_{it}=+Treat_iPost_t+X_{it}+_i+t+{it}]

其中，(Treat_i)表示个体是否属于处理组，(Post_t)表示政策实施后的时间虚拟变量，交互项系数()即为政策效应估计值。Angrist和Pischke（2008）指出，模型需满足平行趋势假设，即若无政策干预，处理组与对照组的潜在结果变化趋势应一致。

（三）双重差分法的应用前提

外生性假设：政策实施与个体特征无关（如非选择性干预）；

无溢出效应：对照组不受政策间接影响；

平行趋势假设：处理组与对照组在政策前的趋势一致。美国国家经济研究局（NBER）2020年统计显示，约78%的DID研究因忽略平行趋势检验而导致结果偏误。

二、平行趋势假设的内涵与检验必要性

（一）平行趋势假设的理论内涵

平行趋势假设是DID方法有效性的核心前提，要求处理组与对照组在政策发生前的潜在结果变量具有相同的时间趋势。例如，Autor等（2013）研究中国加入WTO对美国制造业就业的影响时，通过检验1990-2001年就业率趋势的一致性，验证了平行趋势假设。

（二）平行趋势检验的统计方法

事件研究法（EventStudy）：绘制政策前多期处理组与对照组的趋势图，观察是否平行。

分段回归检验：在政策前设置虚拟时间点，检验处理组与对照组的时间趋势交互项是否显著（Wolfers,2006）。

安慰剂检验（PlaceboTest）：将政策实施时间提前至真实时点之前，验证估计效应是否消失（Chettyetal.,2014）。

（三）违反平行趋势的后果与案例

若平行趋势不成立，DID估计量将包含趋势差异带来的偏误。例如，研究德国统一对东西德经济差距的影响时，Schnabl（2020）发现1980年代西德企业生产率已呈现更高增速，导致传统DID高估政策效应达23%。

三、平行趋势检验的方法与步骤

（一）事件研究法的实施要点

动态效应模型：在基准DID模型中引入政策前后各期的虚拟变量，如：

[Y_{it}=_{k=-m}^{n}kTreat_iD{t=k}+i+t+{it}]

其中，(D{t=k})表示距离政策实施第k期的虚拟变量。

图形化展示：绘制系数(_k)的置信区间，观察政策前系数是否围绕0波动（如Goodman-Bacon,2021对医疗保险扩张的研究）。

（二）分段回归检验的操作规范

时间分段策略：将政策前时期划分为多个阶段（如每两年一段），分别估计处理组与对照组的趋势差异。

统计显著性判断：若政策前各阶段交互项系数不显著（p0.1），则接受平行趋势假设。世界银行2021年指南建议至少需3个政策前观测点。

（三）安慰剂检验的变体与应用场景

虚假政策时点检验：随机生成政策实施年份，重复估计1,000次，构建“伪效应”分布（如Cantonietal.,2021对中国土地改革的评估）。

空间安慰剂检验：选择地理邻近但未受政策影响的区域作为伪处理组，验证效应特异性。

四、实际应用中的挑战与解决方案

（一）非平行趋势的处理策略

协变量调整：引入与趋势相关的控制变量。例如，Athey和Imbens（2022）提出通过机器学习筛选预测变量，降低趋势差异。

合成控制法（SyntheticControlMethod）：构建处理组的反事实趋势（Abadieetal.,2010应用于加州烟草税研究）。

双重稳健估计：结合倾向得分加权与DID模型，增强估计稳健性（Sant’Annaetal.,2020）。

（二）动态效应与异质性处理

异时性政策效应：对于政策分批次实施的情况，采用Sun和Abraham（2021）的队列加权法，消除不同队列的异质性偏误。

异质性趋势模型：允许处理组与对照组存在特定形式趋势差异，如二次时间趋势（Bilinskietal.,2023）。

（三）模型稳健性的进一步检验

置换检验（PermutationTest）：随机分配处理状态，生成无效假设下的效应分布（如美国环保署对空气清洁法案的评估）。

删失样本检验：剔除政策