DID模型分类大全:传统DID、DDD、交叠DID、队列、连续、模糊DID、SDID、空间DID等
作为经济管理类实证研究的主流方法之一，双重差分方法，分为传统DID，多期DID，以及DID扩展模型，包括DDD，PSM-DID、PSM-DDD、合成DID、空间DID等
针对双向固定效应模型TWFE中出现的偏误，主要进行交叠DID分析操作，这部分包括bacondecomp分解、负权重诊断方法以及3种异质稳健性估计，分别为：组别--时期平均处理效应、插补估计量、堆叠估计量。
下面我们来详细介绍一下DID模型分类。
1、传统DID/标准DID
双重差分法，别名“倍差法”或“差中差”，是常用的因果效应估计方法。国内文献中最早的应用或为周黎安(2005)。
为了评估出一项政策实施所来的影响，将全部的样本数据分为两组:
一组是受到政策影响的，即处理组；另一组是“有受到政策影响的，即控制组。
双重差分如何得到
将政策实施前后的时间进行第一次差分，得到两组时期的变化量(经过第一次差分，可以消除个体不随时间变化的质性)
再对两组组别变化量进行第二次差分(以消除随时间变化的增量)，最终得到政策实施的净效应
标准 DiD经典构造可以表示为如下形式：
2、三重差分（DDD、triple-difference method)
三重差分法的思路是，如果两个地区(分别指实验组和对照组的时间趋势不一样，那么我们可以分别在两个地区寻找一个没有受到干预影响的人群/行业，通过对这两组的双重差分估算出时间趋势的差异，然后再从原来实验组和对照组的双重差分估算值中减去这个时间趋势差异。只要有三个交互项的乘积在DID 里面，就可以叫做三重差分
经典案例1简介：
假设美国B州针对65岁或以上老年人(记为E，表示elderly)引入了一项新的医疗保健政策，而该政策不适用于65岁以下人群(记为N)。
欲考察此政策对健康状况y的影响。一种做法是以B州65岁或以上人群作为实验组，而以该州65岁以下人群作为控制组，然后进行双重差分估计。
此种DD法的缺陷是年轻人相对于老年人的相对健康状况本身可能随时间发生变化(即使未推出此项新政策)，比如由于联邦政府同时期的其他政策变化所引起
另一种做法是以相邻A州的65岁以上老人作为控制组，然后进行双重差分估计。
然而，这种DID同样有缺陷，因为他忽略了A州与B州老年人的健康状况，即使在没有新政策的情况下也可能有不同的时间趋势，比如两个州的州情不同。
更稳健的做法则是将以上两种DID法结合起来，估计如下方程(为了简洁，省略个体下标与时间下标t):
其中：
B为B州虚拟变量(B州=1，4州=0)
E为老年虚拟变量(老年=1，其他年龄=0)
D为时间虚拟变量(第2期=1，第1期为0)
交互项D·B·E系数δ即为政策效应，也就是需要重点关注的三重差分估计的系数
这类估计称为“三重差分估计量”(Difference-in-Difference-in-Differences estimator,简记DDD)，记为DDD
三重差分法的应用场景：
在平行趋势假设不满足时引入第三个维度的差分，可以消除处理组和控制组间的时间趋势差异；
在平行趋势满足时，用于识别干预政策在不同群体间的异质性处理效应。
非同期接受处理的双重差分模型(DID)被称为交错型双重差分(staggered DID)。交错型双重差分，又称为异质性DID，或者交叠DID，多时点DID等。
当个体接受政策冲击的时间不同时，政策分组虚拟变量 Di变为 Dit ，此时 Dit 即可用来表示个体i 在时间t 处是否受到政策冲击，而无需再生成交互项。
经典的双向固定效应(TWFE)模型对处理效果可能给出了错误的估计。如果处理是异质性的(不同的处理时间，不同的处理规模，不同的处理状态随着时间的推移)，这可能会导致“负权重”，稀释真正的处理效果。通过比较晚期处理组与早期处理组、处理组与未处理组的组合，可以得出负权重。
另外，对双向固定效应模型进行估计，其核心变量前的系数表示各类所有可能的2*2的DID估计值的加权平均。
若有K组不同处理时间的处理组，则会产生K*K种DID基准模型的比较。
除平行趋势假设外，还需假设处理效应不随时间变化才能使交错型 DID的核心系数表示为方差加权后的平均处理效应，否则就会产生估计偏误。
4、连续型DID
连续型双重差分法，主要用来处理样本异质性问题，以避免回归结果产生的偏差。
在标准 DID 模型中，政策分组变量 d。是二值虚拟变量，这种设定仅仅体现的是个体实行政策与未实行政策的区别，无法体现出程度的变化。
有些情况下，不同个体受政策影响的程度是不同的，也就是说地区(个体)维度的变化并不是从0到1 的变化，而是一种连续的变化。根据这一思想，我们其实可以将地区(个体)维度的政策分组虚拟变量替换为个连续型变量，用以反映程度的变化，从而也就衍生出了一种扩展的(准)DID 模型。
又称为：广义双重差分法（generalized DiD）或者强度双重差分法
5、队列双重差分法（cohort DiD）
队列双重差分法也被称为截面双重差分法，即使用横截面数据来评估某一历史事件对个体的长期影响。
队列双重差分法同样是比较两个维度上的差异大小
一个维度为地区间差异，标识该地区是否受干预政策影响或干预强度；
另一个维度为出生队列间差异，标识个体是否受到了干预政策的影响。
推荐一篇2023年第9期《数量经济技术经济研究》上队列DID文章
推荐《世界经济》+《数量经济技术经济研究》上队列DID文章
6、模糊双重差分法(fuzzy DID)
在标准双重差分法等方法的应用情境中，处理组和控制组之间通常泾渭分明，因此可以通过分组差分得到较为“干净”的处理效应。
但是，有时冲击并未带来急剧（sharp）变化，所谓的“处理组”中虽然受冲击率高于其他组别，但并没有完全被干预或受政策冲击，而所谓的“控制组”中也并非完全没有受到冲击，即处理组和控制组之间没有明确的分野，不存在“干净”的处理组与控制组。
如果某些组的政策干预率比其他组增加更多，但没有组从全未干预状态变为完全干预状态，也没有组仍然处于政策完全未干预状态。在这种模糊设计中、Chaisemartin 和 D’Haultfoeuille(2018)提出了各种估计，以确定不同假设下的局部平均和分位数处理效应。他们还提出了可用于非二元处理(non-binary treatment)、多时期(multiple periods)、多组和协变量应用的估计，因此在 Stata 操作中可使用 fuzzydid 命令计算各种相应的估计量。
一文读懂模糊倍分法操作及应用
Stata：模糊DID操作及应用
推荐2篇DID异质效应处理方法--模糊DID等方法论文
7、混合横截面DID
混合横截面政策分析：垃圾焚烧厂的区位对住房价格的影响
双重差分倾向评分匹配方法（PSM-DID）是倾向得分匹配（PSM）与双重差分法（DID）的有机结合（DID是主，PSM是次）。
使用传统的DID时必须使处理组与控制组满足平行趋势这一必要假设，然而现实中很难符合这一前提假设，为了避免两组在变动过程中存在的系统差异性，使用PSM-DID可以降低回归结果中的偏误。
推荐一篇《统计研究》上PSM-DID必读文章及应用论文
推荐1篇《统计与决策》上含Bacon分解、Two-stage DID、PSM-DID等方法论文
PSM-DID：双重差分倾向匹配得分
2023年第12期《数量经济技术经济研究》上交错DID、事件研究、PSM-DID文章
推荐11月17日《数量经济技术经济研究》上DID方法、工具变量、PSM-DID主题文章
9、合成DID
Stata：合成DID、双重差分、合成控制法结果输出（附代码）
Stata前沿_静态+动态合成DID操作应用经典案例
Stata+R：合成控制双重差分法（SDID）及安慰剂检验
Stata：合成DID操作及应用
10、空间DID
Stata：空间DID操作及应用手册（数据、代码）
11、其他双重差分法
其他双重差分法。纵观上述各种类型的双重差分法，其基本思路是寻找观测样本在两个维 度上的差异，其中一个维度用于控制不可观测的时间趋势，另一个维度用于测度政策效应的变化。
如果从更加一般化的角度理解双重差分法背后的直觉和思想，可以发现事实上几乎任何两个维度 的差异之差异都可以从双重差分的角度去理解。也就是说，几乎所有的交互项模型都可以理解为一种双重差分法。返回搜狐，查看更多