因果推断中DID与RDD方法的结合应用.docxVIP

因果推断中DID与RDD方法的结合应用

一、引言

因果推断是社会科学研究中探索变量间真实关系的核心工具，其核心目标是识别“干预”与“结果”之间的因果效应，而非仅观察相关性。在众多因果推断方法中，双重差分法（Difference-in-Differences,DID）与断点回归设计（RegressionDiscontinuityDesign,RDD）因对数据要求相对灵活、假设条件明确且易于验证，成为应用最广泛的两类方法。然而，单一方法在面对复杂现实场景时往往存在局限性：DID依赖“平行趋势假设”，要求处理组与对照组在干预前的变化趋势一致；RDD则受限于“局部因果效应”，仅能估计断点附近个体的因果关系。近年来，学者们逐渐发现，将DID与RDD结合应用，既能通过RDD强化DID中干预的外生性，又能借助DID扩展RDD的时间维度，从而更全面地捕捉因果关系。本文将系统探讨二者结合的理论基础、应用场景及实践价值，为因果推断方法的创新提供参考。

二、DID与RDD的方法原理及局限性

（一）DID：基于时间与分组的因果识别

DID的核心思想是通过“两次差分”分离出干预的净效应：首先比较处理组在干预前后的结果变量变化（第一次差分），再比较对照组在同一时间段的结果变量变化（第二次差分），两次差分的差值即为干预的因果效应。例如，评估某地区最低工资政策对就业率的影响时，可选取未实施该政策的相邻地区