双重差分法（DID）在政策评估中的平行趋势检验.docxVIP

双重差分法（DID）在政策评估中的平行趋势检验

引言

在公共政策研究领域，如何科学评估政策实施效果始终是核心议题。双重差分法（Difference-in-Differences，简称DID）作为因果推断的经典方法，凭借其对时间固定效应和个体固定效应的双重控制能力，成为政策评估中最常用的工具之一。然而，DID方法的有效性依赖于一个关键前提——平行趋势假设（ParallelTrendAssumption）。这一假设要求，在政策实施前，处理组与对照组的结果变量应保持相同的变化趋势；若这一条件不满足，DID模型的估计结果将出现偏差，甚至得出与实际相反的结论。本文将围绕平行趋势检验展开系统探讨，从理论内涵到操作方法，从常见问题到优化策略，逐步深入解析其在政策评估中的关键作用。

一、双重差分法与政策评估的内在联系

（一）DID方法的核心逻辑与适用场景

双重差分法的核心逻辑可概括为“两次差分”：首先计算处理组在政策实施前后的结果变量差异（第一次差分），再计算对照组在同一时间段内的结果变量差异（第二次差分），最终通过两次差分的差值（即“双重差分”）识别政策的净效应。这种设计巧妙地控制了两类混杂因素：一是不随时间变化的个体特征（如地区经济基础、人口结构），二是不随个体变化的时间冲击（如宏观经济波动、技术进步）。

DID方法适用于政策具有“外生性”且存在明确“处理组-对照组”划分的场景。例如，某省选择部分城市试点“绿色产业补贴政策”，未试点城市可作为对照组；或某国分阶段实施“医疗保险扩面政策”，先实施地区为处理组，后实施地区为对照组。其优势在于无需依赖严格的随机实验，仅需观测性数据即可近似模拟“自然实验”环境，因此在教育、医疗、环保、财税等领域的政策评估中被广泛应用。

（二）平行趋势假设：DID的“生命线”

尽管DID方法操作相对简便，但其结论的可靠性高度依赖一个隐含前提——平行趋势假设。具体而言，若没有政策干预，处理组与对照组的结果变量在政策实施后的变化趋势应与实施前保持一致。换句话说，政策实施前两者的差异仅表现为水平值的不同（如处理组基础值更高），但增长率或变化率必须同步；政策实施后，处理组的额外变化（相对于对照组）才能被归因于政策效果。

若平行趋势假设不成立，DID模型将无法准确分离政策效应与其他趋势性差异。例如，假设某教育政策的处理组（试点学校）在政策前就因师资力量更强，学生成绩增速快于对照组（非试点学校），那么即使政策本身无效，DID模型也可能错误地将处理组与对照组的增速差识别为政策效果。因此，平行趋势检验是DID应用中不可跳过的“校验环节”，其重要性等同于随机对照试验（RCT）中的随机分配检验。

二、平行趋势检验的理论内涵与操作方法

（一）平行趋势假设的本质：反事实的可观测替代

从因果推断的角度看，DID方法试图通过对照组的变化趋势来模拟处理组的“反事实结果”（即若未接受政策干预时的变化）。平行趋势假设的本质，是要求对照组的实际变化能够准确反映处理组的反事实变化。这一假设无法通过数学证明，只能通过数据进行检验——若政策实施前处理组与对照组的趋势一致，则有理由相信政策后的趋势差异由政策引起；若实施前趋势不一致，则反事实模拟失效，DID估计量将包含“趋势偏差”。

（二）平行趋势检验的常用方法

图形检验法：直观呈现趋势轨迹

图形检验是最基础且最易理解的方法。具体操作步骤为：首先收集政策实施前后多期的结果变量数据（通常需要至少两期政策前数据），分别绘制处理组与对照组的结果变量时间序列图；然后观察两条曲线在政策实施前是否呈现平行走势（即斜率相近），政策实施后是否出现明显分离（处理组曲线斜率变化大于对照组）。

例如，评估“新能源汽车补贴政策”效果时，可收集试点城市（处理组）与非试点城市（对照组）连续五年的新能源汽车销量数据，以政策实施年份为分界点，绘制销量随时间变化的折线图。若政策前三年两条折线的上升幅度基本一致，政策后处理组销量增速显著高于对照组，则初步支持平行趋势假设；若政策前处理组销量增速已快于对照组，则需警惕趋势偏差。

图形法的优势在于直观性，能快速定位趋势异常点；局限性在于依赖主观判断，不同研究者可能对“是否平行”产生分歧。因此，图形检验通常需与统计检验结合使用。

回归检验法：量化趋势差异的显著性

回归检验通过构建计量模型，量化处理组与对照组在政策前的趋势差异是否显著。最常用的模型是在DID基础回归方程中加入“政策前各期与处理组的交互项”。例如，假设政策在第T期实施，可将时间变量划分为多个阶段（如T-2、T-1、T、T+1等），并设置虚拟变量D表示处理组（1为处理组，0为对照组），时间虚拟变量T_k表示第k期（kT为政策前，k≥T为政策后）。模型设定为：

结果变量=α+β1(DT_k)（kT）+β2(DT_k)（k≥T）