手把手教你搞定双重差分模型（DID）：从数学原理到Stata实操，一篇全讲透

写在前面

“老师，我的论文想做政策效应评估，用什么方法？”

“双重差分。”

“什么是双重差分？怎么操作？需要什么软件？”

这可能是实证论文写作者最常遇到的对话。

双重差分法（Difference-in-Differences，简称DID）是政策评估、因果推断领域最主流的方法之一。它可以帮助你回答这样的问题：“某项政策到底有没有效果？效果有多大？”

但很多同学对它望而生畏：一看数学公式就头大，一到软件操作就手抖。

别怕。这篇文章会从零开始，把DID的数学原理、适用条件、操作步骤、结果解读全部讲透。读完这篇，你就能自己跑出一个靠谱的DID模型。

一、先搞懂：双重差分到底在算什么？

1.1 一个简单的例子

假设你要评估“某地区实施的最低工资政策是否提高了就业率”。

最简单的想法：比较政策实施前后的就业人数。

问题：就业人数变化可能不是因为政策，而是经济周期、季节性因素等。

另一个想法：找一个没实施政策的地区（对照组），和实施了政策的地区（实验组）做对比。

问题：两个地区的就业水平本来就有差异，不能直接减。

DID的核心思路是：减两次。

时间	实验组（实施政策）	对照组（未实施）	组间差
政策前	Y_before,T	Y_before,C	Δ_before = Y_before,T - Y_before,C
政策后	Y_after,T	Y_after,C	Δ_after = Y_after,T - Y_after,C

第一次差分（组内差）：计算实验组政策前后的变化量 ΔT = Y_after,T - Y_before,T
第二次差分（组间差）：计算对照组的同期变化量 ΔC = Y_after,C - Y_before,C
DID估计量 = ΔT - ΔC = (Y_after,T - Y_before,T) - (Y_after,C - Y_before,C)

这个差值，就是政策带来的净效应。

1.2 用图片理解DID

想象一张图：横轴是时间，纵轴是结果变量（比如就业率）。

• 一条线代表实验组，一条线代表对照组
  
• 政策实施前，两条线大致平行（趋势相同）
  
• 政策实施后，实验组的线发生了“跳跃”，对照组的线平稳变化
  
• 这个“跳跃”的高度（实验组的变化减去对照组的变化），就是政策效应
  
  

这就是DID的直觉：把实验组“本应该”的变化（用对照组趋势推算）和“实际”的变化做差，差出来的就是政策效果。

二、数学原理：DID的计量经济学表达

2.1 基础DID模型

DID的标准计量模型可以写成：

Y_it = α + β·Treat_i + γ·Post_t + δ·(Treat_i × Post_t) + ε_it

各符号含义：

符号	含义	取值
Y_it	结果变量（如就业率）	连续变量
Treat_i	组别虚拟变量	实验组=1，对照组=0
Post_t	时间虚拟变量	政策后=1，政策前=0
Treat_i×Post_t	交互项（核心！）	两者相乘
δ	DID估计量（你真正关心的）	数值
ε_it	误差项	—

核心解读：

• β：实验组和对照组的固有差异（政策前就存在的差距）
  
• γ：时间带来的共同趋势（所有人都受到的影响，如经济周期）
  
• δ：政策的净效应——这就是DID的核心结论
  
  

为什么交互项的系数就是政策效应？

因为：

• 实验组政策前后的变化 = γ + δ
  
• 对照组政策前后的变化 = γ
  
• 两者相减 = δ
  
  

2.2 一个具体的数字例子

假设研究“数字人民币试点对消费额的影响”：

组别	试点前月消费	试点后月消费	变化量
试点城市（实验组）	5000元	6000元	+1000元
非试点城市（对照组）	4800元	5200元	+400元

DID估计量 = 1000 - 400 = 600元

解读：数字人民币试点使试点城市居民月消费比非试点城市多增长了600元。

如果没有对照组，你可能误以为政策带来了1000元的增长，但其中400元是自然增长（经济回暖、收入增加等），政策真正的贡献只有600元。这就是DID的妙处：剔除共同趋势，识别净效应。

三、DID的前提条件：平行趋势假设

3.1 什么是平行趋势假设？

核心假设：如果实验组没有接受政策干预，它的变化趋势应该与对照组保持一致。

用数学语言表述：E[Y(0)_it | Treat=1, t] - E[Y(0)_it | Treat=0, t] = 常数（不随时间变化）

大白话：政策实施前，实验组和对照组的结果变量“走势差不多”。

为什么这个假设如此重要？因为DID的核心逻辑就是“用对照组的变化趋势来推算实验组如果没有政策会怎样”。如果两条线本来就不平行，你推算出来的“本应该”就是错的，结论自然不可靠。

3.2 如何检验平行趋势？

方法一：图示法（最直观）

画出实验组和对照组在政策实施前各时期的结果变量均值趋势图。如果两条线大致平行，说明假设成立。

方法二：事件研究法（计量检验）

在Stata中，用政策前各时期的虚拟变量与Treat的交互项做回归。如果这些交互项的系数都不显著（p>0.1），说明政策前两组无显著差异，平行趋势成立。

方法三：t检验法

直接用t检验比较政策前实验组和对照组的均值差异，若不显著则通过。

3.3 不满足平行趋势怎么办？

方案一：PSM-DID——用倾向得分匹配法为实验组找到“长得像”的对照组，再进行DID分析

方案二：合成控制法（SCM）——通过加权构建“合成”对照组

方案三：三重差分（DDD）——再引入一个维度（如不同人群、不同地区），做两次DID的差

四、Stata实操：手把手教你跑DID

4.1 数据准备

面板数据需要包含三个核心变量：

变量名	含义	取值示例
id	个体标识符	1,2,3...
time	时间变量	2019,2020,2021...
treat	是否实验组	实验组=1，对照组=0
post	是否政策后	政策后=1，政策前=0
y	结果变量	连续数值

生成示例数据（Stata命令）：

1. stataclearset obs 200gen id = _ngen treat =(id >100)// 前100个为对照组，后100个为实验组expand5bysort id:gen time = _ngen post =(time >3)// 假设第4期开始实施政策gen y =10+2*treat +3*post +5*treat*post +rnormal()// 生成包含DID效应的因变量xtset id time

复制代码

4.2 基础DID回归

方法一：直接使用交互项

1. statareg y i.treat##i.post, robust

复制代码

方法二：使用xtreg固定效应模型（推荐）

1. xtreg y i.treat##i.post, fe robust

复制代码

方法三：使用reghdfe（顶刊标配，可同时控制多维固定效应）

1. * 需要先安装：ssc install reghdfereghdfe y c.treat#c.post,absorb(id time)vce(robust)

复制代码

三种方法的区别

方法	适用场景	优点	缺点
reg	截面数据	简单直观	无法控制个体效应
xtreg,fe	面板数据	控制个体异质性	计算较慢
reghdfe	大数据+多维固定效应	高效、灵活	需要额外安装

结果解读：重点关注treat[color=#576B95 !important][url=]#post[/url]（交互项）的系数和p值。系数就是政策效应，p<0.05说明显著。

4.3 平行趋势检验（事件研究法）

步骤一：生成相对时间变量

stata
* 假设政策在第4期实施gen time_to_treat = time -4

步骤二：生成各时期虚拟变量与treat的交互项

stata
tab time_to_treat,gen(d)forv i=1/7{gen treat_d`i'= treat * d`i'}

步骤三：回归并绘图

stata
reghdfe y treat_d*,absorb(id time)vce(robust)coefplot,drop(_cons)xline(3.5)///xlabel(1"t-3"2"t-2"3"t-1"4"t"5"t+1"6"t+2"7"t+3")///title("平行趋势检验")

判断标准：政策实施前的交互项系数（t-3、t-2、t-1）的置信区间应包含0（即不显著）。

4.4 安慰剂检验

方法一：虚构政策时间

假设政策提前1-2期发生，重新估计DID。如果“伪政策效应”显著，说明原结果不可靠。

stata
* 假设政策在第3期实施（实际是第4期）gen fake_post =(time >3)reg y i.treat##i.fake_post, robust

方法二：随机分配实验组

随机生成实验组标签，重新估计DID。重复500-1000次，看真实的DID估计量是否在伪估计量的分布之外。

4.5 稳健性检验

检验类型	操作	目的
更换对照组	使用不同的对照组样本	排除对照组选择偏差
加入控制变量	添加协变量（如GDP、人口等）	排除混杂因素
更换时间窗口	缩短或延长样本期	排除时间窗口选择偏差
更换变量测量方式	使用替代指标	排除测量误差

五、完整案例演示：最低工资政策对就业的影响

5.1 研究背景

某地区（实验组）1994年实施了提高最低工资政策，相邻地区（对照组）未实施。我们要评估该政策对“就业人数”的影响。

5.2 数据准备

id	time	treat	post	employment
1	1992	1	0	100
1	1993	1	0	105
1	1994	1	1	112
1	1995	1	1	118
2	1992	0	0	98
2	1993	0	0	102
2	1994	0	1	104
2	1995	0	1	107

5.3 Stata操作

stata
* 1. 导入数据import excel "employment_data.xlsx", first clear* 2. 设置面板数据xtset id time* 3. 平行趋势检验（图示法）* 计算各年实验组和对照组的平均就业人数collapse(mean) employment,by(time treat)twoway(line employment time if treat==1)(line employment time if treat==0),///xline(1994)legend(label(1"实验组")label(2"对照组"))///title("就业人数变化趋势")ytitle("就业人数")xtitle("年份")* 4. 基础DID回归xtreg employment i.treat##i.post, fe robust* 5. 加入控制变量xtreg employment i.treat##i.post gdp population, fe robust* 6. 结果输出（使用outreg2）outreg2 using "did_results.doc", replace word dec(3)///ctitle("DID回归结果")///keep(treat#post)addtext(固定效应, 是, 控制变量, 已控制)5.4 结果解读

假设输出结果为：

变量	系数	标准误	t值	p值	95%置信区间
treat#post	3.25	1.02	3.19	0.002	[1.25, 5.25]

解读：交互项系数为3.25，p=0.002<0.05，说明最低工资政策显著提高了就业人数，平均提高了约3.25个单位。

论文中的写法：

“双重差分模型估计结果显示，政策虚拟变量与时间虚拟变量的交互项系数为3.25，在1%水平上显著为正，表明最低工资政策的实施使实验地区的就业人数比对照组多增长了3.25个单位，即该政策显著促进了就业。”

5.5 多期DID（政策在不同时间点实施）

如果政策不是在同一个时间点实施，而是分批次、在不同时间点对不同地区实施，需要使用多期DID（也称为交错DID或Staggered DID）。

stata
* 假设政策在不同时间点实施* 生成政策实施后的虚拟变量（处理组且在政策实施后=1）gen treated =(time >= policy_time & treat ==1)* 多期DID回归（双向固定效应）reghdfe y treated,absorb(id time)vce(cluster id)* 动态效应估计（事件研究法）* 生成相对时间变量forvalues i=1/5{gen lead_`i'=(time_to_treat ==-`i'& treat==1)gen lag_`i'=(time_to_treat ==`i'& treat==1)}reghdfe y lead_* lag_*,absorb(id time)vce(cluster id)

⚠️ 多期DID的重要提醒：传统的多期DID（双向固定效应TWFE模型）在存在异质性处理效应时可能存在估计偏误。建议使用最新的异质性稳健估计量，如did_multiplegt、csdid等命令。

六、常见问题与避坑指南

Q1：一定要用面板数据吗？

是的。DID的核心是追踪同一批个体在不同时间点的变化，所以面板数据是必需的。如果没有面板数据，只有不同时间点的截面数据，需要用重复截面数据的DID方法，但操作更复杂。

Q2：实验组和对照组的样本量要一样吗？

不需要。但建议两组样本量不要相差太大，否则影响估计效率。

Q3：控制变量怎么选？

选择同时影响结果变量和政策实施的变量。比如研究区域政策，要控制GDP、人口、产业结构等。但注意：不能控制“政策发生后”才变化的变量（这些可能是政策的结果，控制了会削弱政策效应）。

Q4：平行趋势检验没通过怎么办？

• 尝试PSM-DID，为实验组匹配相似的对照组
  
• 调整时间窗口，剔除趋势差异过大的早期样本
  
• 使用合成控制法（SCM）或合成双重差分（SDID）
  
• 使用三重差分（DDD），引入第三个维度消除偏差
  
  

Q5：DID和固定效应是什么关系？

双向固定效应模型（个体固定效应+时间固定效应）是DID的“标准配置”。xtreg, fe自动控制了个体固定效应，再通过加入i.time来控制时间固定效应。因此，DID本质上是一种特殊的双向固定效应模型。

Q6：SPSS能做DID吗？

SPSS没有专门的DID模块，但可以通过“广义线性模型”或“线性回归”手动构造交互项来实现。不过操作较繁琐，推荐使用Stata或专门的在线分析平台SPSSAU。

写在最后

双重差分模型之所以成为政策评估领域的“黄金标准”，是因为它用相对简单的数学逻辑，解决了一个核心问题：如何在非实验数据中识别因果关系。

它不需要复杂的假设，只需要你有一个好的“自然实验”场景、满足平行趋势假设、正确操作软件、合理解读结果。

写实证论文时，最怕的不是模型复杂，而是“不知道为什么要用这个模型、不知道结果意味着什么”。

希望这篇文章能帮你真正理解DID。当你下次在论文中写下“本文采用双重差分模型……”时，你能清楚地知道：

• 你在算什么？（DID估计量）
  
• 为什么能这么算？（平行趋势假设）
  
• 怎么操作的？（Stata命令）
  
• 结果怎么读？（交互项系数和p值）
  
  

这就是“会做”和“真懂”的区别。

祝你的因果推断之路一切顺利，所有估计都显著，所有稳健性都通过！

参考文献

• Arkhangelsky D, Athey S, Hirshberg D A, et al. Synthetic difference-in-differences[J]. American Economic Review, 2021, 111(12): 4088-4118.
  
• Card D. The impact of the Mariel boatlift on the Miami labor market[J]. Industrial and Labor Relations Review, 1990, 43(2): 245-257.
  
• 双重差分法（DID）在Stata中的实践指南[EB/OL]. 百度开发者中心, 2026.