双重差分的平行趋势假设检验.docxVIP

双重差分的平行趋势假设检验

引言：从一次“翻车”的政策评估说起

几年前我参与过一个区域经济政策评估项目，当时团队信心满满地用双重差分法（DID）得出“某产业扶持政策使企业产值提升15%”的结论。但评审专家的一句话让我们冒了冷汗：“你们验证平行趋势假设了吗？”后来重新检查数据才发现，政策实施前处理组企业的产值增速本就比对照组快3个百分点——这意味着我们的核心结论可能根本不成立。这次经历让我深刻意识到：平行趋势假设是DID方法的“生命线”，检验它绝不是走流程，而是因果推断的关键防线。

一、双重差分法与平行趋势假设的“共生关系”

1.1DID：因果推断的“利器”为何需要假设？

双重差分法（Difference-in-Differences）是政策评估中最常用的因果推断方法之一。它的核心逻辑很朴素：通过“两次差分”分离出政策效应。第一次差分是处理组政策前后的变化（Y1后-Y1前），第二次差分是对照组政策前后的变化（Y0后-Y0前），最终的政策效应就是（Y1后-Y1前）-（Y0后-Y0前）。这个逻辑成立的前提，是处理组和对照组在没有政策干预时，结果变量的变化趋势是一致的——这就是平行趋势假设（ParallelTrendAssumption）。

打个比方，就像比较两个跑步选手的耐力：如果A选手在比赛前半段本来就比B选手跑得快，那么后半段A突然加速，我们根本分不清是因为他喝了功能饮料（政策效应），还是原本的速度优势（趋势差异）。平行趋势假设就相当于要求两位选手在“比赛开始前”（政策实施前）的速度曲线是完全重合的，这样后续的差异才能归因于干预。

1.2平行趋势假设的“不可观测性”困境

与随机对照试验（RCT）不同，DID应用场景多为观察性数据，处理组和对照组的分组往往不是随机的。这就导致一个关键问题：我们无法直接观测“如果处理组没被干预”的反事实结果。平行趋势假设本质上是对反事实路径的假设——假设处理组在政策前的趋势会延续到政策后，而对照组的趋势恰好能作为这个反事实的替代。

举个教育政策的例子：某城市（处理组）推行“课后延时服务”，隔壁城市（对照组）未推行。要判断延时服务是否提升了学生成绩，必须确保两城市在政策前的成绩增长趋势是平行的。如果处理组原本成绩增速就更快，那么即使政策无效，后续的“差异”也可能被错误归因于政策。

二、平行趋势假设的检验“工具箱”

2.1图示法：最直观的“趋势体检”

图示法是检验平行趋势最常用的初步方法，就像给趋势做“CT扫描”。具体操作分三步：首先，收集处理组和对照组在政策实施前后多个时间点的结果变量数据（比如政策前3年、政策后2年）；其次，以时间为横轴，结果变量均值为纵轴，分别绘制两条趋势线；最后，观察政策实施前（即“干预前时期”）两条线是否呈现出基本平行的走势。

我曾用这种方法检验过一个环保政策的效果。处理组是纳入“重点监控”的工业城市，对照组是同省未监控的城市，结果变量是PM2.5浓度。绘制趋势图时发现，政策前3年处理组的PM2.5下降斜率比对照组陡0.8个单位/年——这明显违反了平行趋势。后来深入分析才知道，处理组本身在政策前就已启动了“蓝天工程”，导致其污染下降趋势本就更快。

需要注意的是，图示法的“可信度”取决于时间点的数量。如果只有政策前1年的数据，两条线偶然平行的概率很高；而如果有政策前3-5年的数据，趋势的稳定性就更有说服力。就像看一个人是否“本性温和”，观察一天可能有偏差，但观察三年的日常表现就更可靠。

2.2回归检验：用数据说话的“精确诊断”

图示法虽然直观，但不够“定量”。回归检验则能通过统计显著性为趋势平行提供量化证据。最常用的模型是在DID基础回归中加入“政策前各期与处理组的交互项”。假设政策在第T期实施，我们可以构造如下模型：

Y_it=α+β0D_i+β1T_t+Σ（τ_k(D_iT_k)）+γ*X_it+μ_i+λ_t+ε_it

其中，D_i是处理组虚拟变量（处理组=1，对照组=0），T_t是时间虚拟变量（政策后=1，政策前=0），T_k是政策前各期的时间虚拟变量（比如政策前1期k=-1，前2期k=-2），τ_k就是我们要关注的系数。如果平行趋势成立，那么所有政策前的τ_k（k0）都应该不显著（即统计上等于0），而政策后的τ_k（k≥0）应显著（即政策效应）。

我曾用这个模型检验过一个消费券政策的效果。政策在第0期实施，我们收集了前3期（-3,-2,-1）和后2期（1,2）的数据。回归结果显示，τ_-3=0.05（p=0.62）、τ_-2=0.03（p=0.78）、τ_-1=0.01（p=0.92），这三个系数都不显著；而τ_1=0.23（p=0.02）、τ_2=0.25（p=0.01）显著。这说明政策前处理组和对照组的趋势确实平行，政策后的