双重差分法的平行趋势检验误区.docxVIP

双重差分法的平行趋势检验误区

引言

双重差分法（Difference-in-Differences，简称DID）作为因果推断领域的经典方法，广泛应用于政策评估、项目效果分析等场景。其核心逻辑是通过比较处理组与对照组在政策实施前后的差异变化，剥离出政策的净效应。而支撑这一逻辑的关键前提，是“平行趋势假设”——即在政策实施前，处理组与对照组的结果变量应保持相同的变化趋势。若这一假设不成立，DID模型的估计结果将因“趋势差异”的干扰而偏离真实因果效应。

然而，在实际应用中，研究者对平行趋势检验的理解与操作常存在误区：或因理论认知模糊导致检验方向偏差，或因操作不规范削弱检验效力，或因结果解读片面引发结论误判。这些误区不仅可能使研究结论失去可靠性，更可能误导政策制定与学术讨论。本文将从理论认知、操作执行、结果解读三个维度，系统梳理平行趋势检验的常见误区，并探讨改进路径。

一、理论认知误区：从“静态匹配”到“动态趋势”的偏差

（一）对“平行趋势”的静态化理解

部分研究者将“平行趋势”简单等同于政策实施前某一时点的“水平相等”，认为只要处理组与对照组在基期的结果变量均值无显著差异，即可满足平行趋势假设。这种理解混淆了“水平相同”与“趋势相同”的本质区别。

例如，某研究评估某区域环保政策对企业产值的影响，仅比较了政策实施前一年处理组与对照组的企业产值均值，发现二者无显著差异，便认为平行趋势成立。但事实上，若处理组在政策前两年的产值增速为5%，而对照组为10%，即使基期水平相近，二者的增长趋势已存在显著差异。这种情况下，DID模型将错误地将趋势差异归因于政策效应，导致估计结果失真。

平行趋势的核心是“动态一致性”，即两组在政策实施前的所有时间点上，结果变量的变化率（而非绝对水平）应保持一致。水平相等是趋势一致的充分非必要条件，但趋势一致允许水平存在稳定差异（如处理组因行业特性始终比对照组高10%，但增速相同）。因此，仅检验基期水平差异是远远不够的。

（二）混淆“共同趋势”与“平行趋势”的边界

另一种理论误区是将“共同趋势”（CommonTrend）与“平行趋势”（ParallelTrend）混为一谈。前者是更宽泛的概念，指两组在政策前后均遵循某种可预测的趋势（如线性增长）；后者则要求两组的趋势在政策前完全重合，且政策冲击仅改变其中一组的趋势。

例如，有研究发现处理组与对照组在政策前后均呈现线性增长，便认为平行趋势成立。但事实上，若处理组的增长率在政策前为β1，对照组为β2（β1≠β2），即使两组均为线性趋势，其差异仍会干扰DID估计。平行趋势要求的是β1=β2，而共同趋势仅要求存在某种趋势形式（如线性、非线性），不要求参数一致。这种混淆会导致研究者错误接受不满足条件的模型，进而得出错误结论。

（三）忽视“反事实框架”下的趋势检验

平行趋势假设本质上是对“反事实结果”的假设——即若政策未实施，处理组的结果变量应与对照组保持相同趋势。部分研究者仅检验实际观测到的趋势，却未考虑潜在的“反事实偏差”。

例如，某政策在试点阶段选择了经济基础较好的地区作为处理组，这些地区即使没有政策，其发展趋势也可能优于其他地区。此时，即使观测到处理组与对照组在政策前趋势一致，这种“一致性”可能是暂时的，或因政策试点的选择性偏差（如“自我选择”或“政策设计偏差”）导致。真正的平行趋势检验需结合政策背景，判断两组在“无政策干预”的反事实场景下是否具备趋势一致性，而非仅依赖观测数据的表面趋势。

二、操作执行误区：从方法选择到样本处理的偏差

（一）检验方法选择的“一刀切”

平行趋势检验的常用方法包括“前测回归法”（检验政策前各期处理组与对照组的差异是否显著）、“事件研究法”（通过加入时间虚拟变量与处理组的交互项，观察政策前系数是否显著）、“图形法”（绘制两组政策前后的趋势线）等。但部分研究者未根据数据特征选择合适方法，导致检验效力不足。

例如，当政策前仅有两期数据时，前测回归法仅能检验一期差异，无法判断趋势是否持续；若强行使用事件研究法，可能因自由度不足导致估计结果不稳定。反之，若政策前有多个时间点，仅用图形法观察趋势而不进行统计检验，则可能因视觉误差（如短期波动掩盖长期趋势）误判趋势一致性。正确的做法是结合多种方法：先用图形法直观观察趋势形态，再通过前测回归或事件研究法进行统计验证，必要时加入控制变量排除其他因素干扰。

（二）样本选择的“选择性偏差”

样本选择不当是操作误区的重灾区。例如，部分研究为“满足”平行趋势假设，刻意剔除政策前趋势不一致的样本，或仅保留“看起来”趋势一致的子样本。这种“数据修剪”行为会严重破坏样本的代表性，导致检验结果沦为“自我实现的预言”。

以教育政策评估为例，某研究原本计划以全省学校为样本，但发现部分学校在政策前的成绩趋势与对照组差异显著，便将