home / methods / ddd

实证方法教程 / ddd

三重差分 DDD

把处理组、对照组和政策时点落到代码里

这节课解决什么适合政策评估、处理组/对照组和处理时间明确的准实验问题。
先准备哪些变量因变量
会看到哪张表ddd_results.csv
论文里怎么克制解释报告处理组定义、对照组来源、样本窗口和识别假设。
返回方法库 查看共用案例

三重差分 DDD是什么？

三重差分 DDD 回答的是：DID 里的处理效应是否在第三个维度上还存在额外差异。它不是简单多乘一个变量，而是在处理组/对照组、政策前/政策后之外，再加入一个理论上应更受影响的目标组。

先用一句话理解

把 DDD 想成在 DID 外再加一个对照层。政策后处理组变了，DID 会问相对对照组多变多少；DDD 进一步问，这个多出来的变化是否只在目标群体里更明显。

什么时候用

判断项教科书式判断
适合用在政策影响应集中在某个目标组，而另一个非目标组可以提供额外对照。
先不要用在第三个维度没有制度或理论含义，只是为了制造一个显著交互项。
最关键的前提第三个差分维度要能帮助排除 DID 中剩余的共同冲击。
读表顺序先看 DID 两维定义，再看 Group 维度，最后读三重交互项。
论文表述边界DDD 估计的是目标组相对于非目标组的额外 DID 效应，不是所有样本的政策平均效应。

把它和相近方法分清楚

容易混淆的对象怎么区分初学者记法
DID比较处理组和对照组在政策前后的变化差。两个差分维度。
DDD再加入目标组/非目标组这一层差分。三个差分维度。
异质性 DID看 DID 效应是否因组别而异。和 DDD 很接近，但 DDD 更强调第三维对照逻辑。

核心直觉和模型公式

三重交互项

DDD 的核心项通常写成：

\[Y_{it}=\beta(Treat_i\times Post_t\times Group_i)+\text{all lower-order terms}+FE+\varepsilon_{it}\]

必须包含所有低阶项，否则三重交互项的含义会被写错。

公式里的符号怎么读

符号含义在本页怎么理解
Treat处理组谁受到政策或处理影响。
Post政策后什么时候进入处理后时期。
Group目标组理论上更应受到政策影响的第三个维度。
Treat×Post×Group三重交互项目标组相对非目标组的额外 DID 效应。
βDDD 系数三重差分的核心估计量。

专业使用口径

专业 DDD 写法必须讲清第三个维度为什么能作为额外对照。

口径专业写法
第三维含义Group 应来自制度设计、资格规则或清楚理论。
低阶项模型必须包含相关二重交互和主效应，或说明被固定效应吸收。
平行趋势最好分别展示目标组和非目标组的政策前趋势。
解释范围结果是相对额外效应，不是简单政策效应。

一步一步做：从问题到结果的五步

步骤这一页具体做什么做到什么程度才算读懂
1. 先写 DID明确 Treat 和 Post。没有清楚 DID，DDD 只是复杂交互。
2. 定义第三维说明 Group 为什么理论上更应受影响。不能事后按显著性分组。
3. 加入完整交互项包含三重项和所有低阶项。少项会改变解释。
4. 检查趋势比较目标组和非目标组政策前动态。第三维不能破坏可比性。
5. 解释 β写成目标组额外 DID 效应。不要写成全样本平均政策效应。

结果怎么读：先读口径，再读数字

本页案例读表时，先记住这个口径：本案例的 ATT / DID 系数是 0.0079，p 值是 0.9335。

读表顺序本页怎么读不要这样读
先看三维定义Treat、Post、Group 是否清楚。任一维含糊都会让 β 无法解释。
再看三重项β 是否符合目标组额外影响的理论。不要读二重交互项当最终效应。
然后看低阶项是否完整进入或被 FE 吸收。模型结构要可复核。
最后看边界DDD 仍依赖趋势假设和第三维可比性。不能自动解决所有内生性。

初学者最容易错在哪里

误读为什么错
只乘三个变量不放低阶项错。三重交互模型需要完整结构。
第三维没有理论含义错。DDD 的识别力来自第三维对照。
把 β 写成普通 DID错。β 是额外差分效应。
只看三重项星号不够。要同时检查趋势和模型结构。

先看这个案例的结论

  • 本案例的 ATT / DID 系数是 0.0079，p 值是 0.9335。
  • 2017 年政策前组间 gap 是 0.0824，2020 年政策后 gap 是 0.0425。
  • 政策评估页必须把处理组定义、政策前差距和处理效应放在一起读，不能只截一行交互项。

变量要求和案例口径

字段口径
数据CSMAR 风格 A 股企业创新面板
原始样本196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准
因变量patent_count；回归页通常使用 ln(1 + patent_count)
核心解释变量dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index
控制变量roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age
输出文件ddd_results.csv
角色要求因变量
依赖包无额外 Stata 社区包要求

实际代码

下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。

import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year

global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0

gen high_soe = soe == 1
gen ddd = treat * post * high_soe
xtreg $y ddd treat post high_soe $controls i.year, fe vce(cluster firm_id)
export delimited using "$JOB_DIR/ddd_results.csv", replace

实际输出表

这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。

指标数值解释
样本1200 obs / 196 firms / 2015-2020来自共用案例 CSV
因变量ln(1 + patent_count)企业创新产出
核心解释变量dfi_index数字普惠金融指数
输出文件ddd_results.csvempirical-wizard 对应方法产物
ATT / DID 系数0.0079三重差分 DDD 在共用案例里的处理效应读数
p 值0.9335用于判断处理效应是否稳定
2017 组间 gap0.0824政策前一年 treated-control 差距
2020 组间 gap0.0425政策后三年 treated-control 差距

案例图

这是一张由同一份案例数据生成的页面内诊断图。

三重差分 DDD 的共用案例输出图。
三重差分 DDD 的共用案例输出图。

论文里怎么写

本文进一步采用三重差分 DDD检验数字普惠金融变化对企业创新的影响。处理组、对照组和政策后变量均基于同一 firm-year 样本构造，结果报告在 ddd_results.csv 中。若处理效应方向与基准回归一致，可作为政策评估维度的补充证据；若不一致，应优先解释识别假设和样本切分差异。

检查清单

  • 三重差分必须有第三个清晰维度，不能把普通异质性包装成 DDD。
  • 解释三重交互项时要说清是哪三组差分相减后的结果。
  • DDD 仍依赖更强的平行趋势结构，最好配合事件研究或安慰剂检验。

返回教程库 · 查看共用案例