DID（双重差分模型）是我工具箱里的“黄金标准”——它是政策评估中最常用的方法之一，能帮我们估计政策实施的因果效应。很多新手刚接触政策评估时，要么直接对比政策实施前后的差异，要么直接对比处理组和控制组的差异，却不知道这些方法都存在偏差。今天就结合我自己的实操经验，把DID模型的原理、代码和避坑指南整理出来，让你的政策评估结果更靠谱。

先搞懂DID模型的核心逻辑：为什么它能估计因果效应？

很多人刚接触DID模型时会问：“DID模型到底是啥？它为什么能估计因果效应？”其实它的核心逻辑特别接地气：

• 假设我们要评估某个政策的效果，我们可以把样本分为两组：一组是受到政策影响的“处理组”，另一组是没有受到政策影响的“控制组”
• 我们可以分别计算处理组和控制组在政策实施前后的变化，然后用处理组的变化减去控制组的变化，得到政策实施的净效应
• 这个净效应就是DID模型估计的因果效应，因为它排除了时间趋势和组间差异的影响

简单来说，DID模型就是通过“双重差分”的方式，排除时间趋势和组间差异的影响，估计政策实施的净效应。比如我们要评估“煤改清洁取暖政策对北京乡镇急性心肌梗死发病率的影响”，DID模型可以有效排除时间趋势（比如全国急性心肌梗死发病率的变化）和组间差异（比如处理组和控制组在政策实施前的差异）的影响，准确估计政策实施的净效应。

---

DID模型的前提假设：别瞎用！

DID模型的使用需要满足三个前提假设：

1. 平行趋势假设：政策实施前，处理组和控制组的结果变量趋势相同
2. 政策外生性假设：政策实施的时间和对象是外生的，不是由结果变量决定的
3. SUTVA假设：处理组的政策实施不会影响控制组的结果变量

这三个前提假设是DID模型的核心，其中平行趋势假设是最重要的。如果平行趋势假设不满足，DID模型的估计结果就会有偏、不一致，甚至完全错误。

---

Stata实操：手把手教你用DID模型

我用Stata自带的美国各州香烟销售数据（smoking.dta）来演示，你可以换成自己的数据。假设我们要评估“加州实施控烟政策对香烟销售量的影响”，我们把加州作为处理组，其他州作为控制组。

1. 数据准备

首先，我们需要导入数据，看看变量都有啥。 Stata代码：

sysuse smoking, clear  // 导入数据
desc  // 描述数据基本信息

这个数据里，state是州代码，year是年份，cigsale是人均香烟销售量（结果变量），retprice是香烟零售价格，lnincome是人均收入对数，age15to24是15-24岁人口比例，beer是人均啤酒消费量。

2. 定义处理组和时间虚拟变量

接下来，我们需要定义处理组虚拟变量和时间虚拟变量。 Stata代码：

gen treat = (state == 3)  // 定义处理组虚拟变量，加州的州代码是3，treat=1表示处理组，treat=0表示控制组
gen post = (year >= 1989)  // 定义时间虚拟变量，1989年加州实施控烟政策，post=1表示政策实施后，post=0表示政策实施前
gen did = treat * post  // 定义双重差分交互项，这是我们关心的核心解释变量

3. 基准回归：跑DID模型

接下来，我们跑DID模型，看看控烟政策对香烟销售量的影响。 Stata代码：

reg cigsale treat post did retprice lnincome age15to24 beer, r  // 基准回归

• 结果解读：如果did的系数显著为负，说明加州实施控烟政策后，人均香烟销售量显著下降，控烟政策有效。

4. 平行趋势检验：看看是否满足平行趋势假设

跑出来DID模型的结果后，我们需要检验平行趋势假设是否满足。 Stata代码：

gen rel_year = year - 1989  // 定义相对时间变量，1989年为0，之前为负，之后为正
forvalues i = -10(1)10 {
    gen rel_year_`i' = (rel_year == `i')  // 定义相对时间虚拟变量
}
drop rel_year_0  // 以1989年为基准组
reg cigsale rel_year_* treat retprice lnincome age15to24 beer i.year, r  // 平行趋势检验

• 结果解读：如果政策实施前的相对时间虚拟变量系数不显著，说明平行趋势假设满足；如果政策实施后的相对时间虚拟变量系数显著，说明政策实施有效果。

5. 安慰剂检验：看看结果是否稳健

为了验证结果的稳健性，我们还可以做安慰剂检验：随机分配处理组，然后重新跑回归，重复这个过程1000次，看看有多少次能得到显著的结果。 Stata代码：

set seed 12345  // 设置随机种子，保证结果可重复
local n = 1000  // 重复次数
matrix results = J(`n', 2, .)  // 创建矩阵存储结果

forvalues i = 1/`n' {
    gen treat_placebo = runiform() < 0.1  // 随机分配处理组，10%的概率为处理组
    gen did_placebo = treat_placebo * post  // 定义双重差分交互项
    reg cigsale treat_placebo post did_placebo retprice lnincome age15to24 beer, r  // 重新跑回归
    matrix results[`i', 1] = _b[did_placebo]  // 存储系数
    matrix results[`i', 2] = _se[did_placebo]  // 存储标准误
    drop treat_placebo did_placebo  // 删除随机分配的处理组和交互项
}

svmat results, names(coef se)  // 将矩阵转换为变量
gen t_stat = coef / se  // 计算t统计量
gen p_value = 2 * (1 - normal(abs(t_stat)))  // 计算p值

• 结果解读：如果真实的系数在随机分配的系数分布中处于极端位置（比如95%分位数以上），说明我们原来的结果是真的存在因果关系；如果真实的系数在随机分配的系数分布中处于中间位置，说明我们原来的结果可能是“假阳性”。

---

结果解读：重点看这几个指标

每次跑出来DID模型的结果，我都会先看这几个关键指标：

1. 双重差分交互项的系数：看看系数的符号和大小是否符合理论预期——如果系数显著为负，说明政策实施有效
2. 平行趋势检验的结果：看看政策实施前的相对时间虚拟变量系数是否显著——如果不显著，说明平行趋势假设满足
3. 安慰剂检验的结果：看看真实的系数在随机分配的系数分布中处于什么位置——如果处于极端位置，说明结果稳健
4. 控制变量的系数：看看控制变量的系数是否符合理论预期——如果符合，说明模型设定合理

---

论文应用技巧：让审稿人眼前一亮

1. 图比表重要：论文里一定要放处理组和控制组的结果变量趋势图，直观展示政策实施前后的差异，比一堆数字有说服力
2. 多做稳健性检验：除了平行趋势检验和安慰剂检验，还可以换处理组定义、换控制变量、换回归方法，验证结果的稳健性
3. 解释要接地气：别光说“处理效应显著”，要解释成“加州实施控烟政策后，人均香烟销售量比控制组低20%，这说明控烟政策确实有效”
4. 和其他方法对比：可以和合成控制法的结果对比，突出DID模型的优势——比如“合成控制法估计的政策效果是15%，但DID模型估计的是20%，说明DID模型更准确”

---

避坑指南：这些坑我都踩过，你别再踩了

1. 平行趋势假设必须满足：平行趋势假设是DID模型的核心假设之一，如果不满足，DID模型的估计结果就会有偏——可以用事件研究法检验平行趋势假设
2. 处理组和控制组要合理：处理组和控制组的选择要合理，要确保控制组没有受到政策影响——比如评估上海的政策效果，不能把北京作为控制组，因为北京可能也受到了类似政策的影响
3. 不要忽略控制变量：控制变量可以排除其他因素的影响，提高估计结果的准确性——比如评估控烟政策的效果，要控制香烟价格、人均收入等变量
4. 不要过度解读结果：DID模型只能估计政策实施的平均处理效应，不能推广到其他个体——比如你不能用加州的政策效果去推断其他州的政策效果