DID 双重差分是什么？
DID 问的是一个四格比较问题：政策后，处理组相对于对照组多变化了多少。它把处理组前后变化减去对照组前后变化，试图得到政策带来的额外变化。
先用一句话理解
把 DID 想成两个班级的前后测。处理班成绩提高了不够，必须问没有参加政策的班级同期提高了多少；真正的政策效应是两组变化之差。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 有清楚的处理组、对照组、政策前和政策后，并且政策不是所有对象同时发生。 |
| 先不要用在 | 处理组和对照组在政策前趋势已经明显不同，且无法给出制度或数据层面的解释。 |
| 最关键的前提 | 没有政策时，处理组和对照组应沿着相近趋势变化，即平行趋势。 |
| 读表顺序 | 先看处理定义和政策时间，再看交互项系数，最后看政策前趋势。 |
| 论文表述边界 | DID 结论必须和制度背景、平行趋势图或事件研究一起写。 |
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 |
|---|---|---|
| 前后比较 | 只看处理组政策前后变化。 | 无法排除所有人共同经历的时间冲击。 |
| 组间比较 | 只看政策后处理组和对照组差异。 | 无法排除两组本来就不同。 |
| DID | 同时做前后差和组间差。 | 核心是处理组相对对照组多出来的变化。 |
核心直觉和模型公式
四格 DID 回归
最常见的两组两期 DID 可以写成：
\[Y_{it}=\alpha+\beta(Treat_i\times Post_t)+\boldsymbol{\gamma}'\mathbf{Z}_{it}+\mu_i+\lambda_t+\varepsilon_{it}\]
如果加入个体和时间固定效应，Treat 和 Post 的主效应通常被吸收，关键项仍是交互项。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| Treat_i | 处理组 | 对象 i 是否属于会受到政策影响的组。 |
| Post_t | 政策后 | 时期 t 是否在政策发生之后。 |
| Treat_i × Post_t | DID 交互项 | 处理组在政策后这一格，是核心解释变量。 |
| β | DID 系数 | 政策后处理组相对对照组多出来的变化。 |
| μ_i | 个体固定效应 | 控制处理组和对照组不随时间变化的差异。 |
| λ_t | 时间固定效应 | 控制所有对象共同经历的年份冲击。 |
专业使用口径
DID 的专业性不在于交互项写得复杂，而在于处理定义和反事实是否可信。
| 口径 | 专业写法 |
|---|---|
| 处理定义 | 说明谁被处理、为什么被处理、政策何时生效。 |
| 对照组 | 说明对照组为什么能代表没有政策时的处理组。 |
| 政策前趋势 | 用图或事件研究检查政策前差异是否已经在变化。 |
| 干扰风险 | 如果政策会影响对照组，普通 DID 的反事实会被污染。 |
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. 画四格表 | 列出处理组/对照组和政策前/政策后。 | 先能口头解释四格差分，再看回归。 |
| 2. 定义处理时间 | 明确政策从哪一年或哪一期开始影响结果。 | 政策预期效应要单独说明。 |
| 3. 估计交互项 | 用 Treat × Post 作为核心项，并加入必要固定效应。 | β 不是组间均值差，而是差中之差。 |
| 4. 查政策前趋势 | 看政策前事件时间系数是否接近零。 | 平行趋势不能只靠一句话声明。 |
| 5. 写出边界 | 说明结果依赖的对照组和时间窗口。 | 不要把局部政策效应写成普遍规律。 |
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：DID = did；0.5728473056554488。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看处理口径 | 确认处理组、政策后和样本窗口。 | 不要只看交互项名称。 |
| 再看 DID 系数 | β 的方向和量级代表额外变化。 | 不要把 Treat 或 Post 主效应当政策效应。 |
| 然后看平行趋势 | 政策前动态项应没有系统偏离。 | 政策前显著时不能硬写 DID 成立。 |
| 最后看机制边界 | DID 说明平均政策效应，不自动解释为什么发生。 | 机制需要另行设计。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把政策前后比较当 DID | 错。没有对照组，不能排除同期冲击。 |
| 忽略政策前趋势 | 错。DID 最核心的可信度来自反事实趋势。 |
| 把交互项显著当充分证据 | 错。还要看处理定义、对照组和事件研究。 |
| 交错处理仍直接用普通 TWFE | 风险很高。多批次处理应考虑 CSDID、Sun-Abraham 或 Stacked DID。 |
先看这个案例的结论
- DID = did；0.5728473056554488。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
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 | did_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 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
xtreg $y did treat post $controls i.year, fe vce(cluster firm_id)
export delimited using "$JOB_DIR/did_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。
| model | term | coef | se | pvalue | N | R2 | status | treatment_var | post_var |
|---|---|---|---|---|---|---|---|---|---|
| DID | did | 0.5728473056554488 | 0.8945492789612631 | 0.5235203628892018 | 96 | 0.03775115533312978 | estimated | treat | post |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文进一步采用DID 双重差分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 did_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
- 先确认处理组、对照组和政策后时期定义清楚，再读交互项系数。
- 事件研究里政策前系数应接近 0；政策前已显著时平行趋势有风险。
- DID 结论要和制度背景一起写，不能只说 Treat × Post 显著。