Stata实操：用双重差分法（DID）评估政策效果，从数据清洗到结果解读保姆级教程
当我们需要评估一项政策或项目的实际效果时，双重差分法（DID）是最常用的准实验方法之一。不同于简单的"前后对比"或"有无对比"，DID通过巧妙的设计，能够更好地控制内生性问题，为政策评估提供更可靠的证据。本文将手把手教你如何在Stata中完成DID分析的全流程。
1. 数据准备与变量生成
在开始DID分析前，我们需要确保数据格式正确并生成必要的变量。假设我们使用的数据集是经典的"Panel101.dta"，包含多个国家在不同年份的观测值。
首先，导入数据并检查数据结构：
use "Panel101.dta", clear describe关键变量生成步骤：
- 时间虚拟变量（政策实施前后）：
gen time = (year>=1994) & !missing(year)- 处理组虚拟变量（区分实验组和对照组）：
gen treated = (country>4) & !missing(country)- 交互项（DID的核心变量）：
gen did = time*treated提示：在处理实际数据时，务必检查各变量的缺失值情况，使用
tab或sum命令验证生成的虚拟变量是否符合预期。
2. 基础DID模型估计
有了必要的变量后，我们可以通过两种方式估计DID模型：
2.1 回归法（reg命令）
reg y time treated did, r结果解读要点：
did系数：反映政策净效应- t值和p值：判断统计显著性
- R-squared：模型整体解释力
2.2 专用命令法（diff命令）
首先安装diff命令：
ssc install diff然后运行：
diff y, t(treated) p(time)两种方法对比：
| 方法 | 优点 | 缺点 |
|---|---|---|
| reg | 灵活，可添加控制变量 | 需要手动生成变量 |
| diff | 专用命令，输出更友好 | 功能相对局限 |
3. 模型诊断与稳健性检验
DID分析必须满足平行趋势假设，我们需要通过以下方法验证：
3.1 平行趋势检验
* 生成年份虚拟变量与处理组的交互项 gen period = year - 1994 forvalues i = 3(-1)1 { gen pre_`i' = (period == -`i' & treated == 1) } gen current = (period == 0 & treated == 1) forvalues j = 1(1)3 { gen time_`j' = (period == `j' & treated == 1) } * 回归分析 xtreg y time treated pre_* current time_* i.year, fe3.2 安慰剂检验
通过虚构处理时间或处理组来验证模型稳健性：
* 虚构处理时间（比实际政策早2年） gen placebo_time = (year>=1992) & !missing(year) gen placebo_did = placebo_time*treated reg y placebo_time treated placebo_did, r注意：如果虚构的处理变量也显示"显著"效应，则可能表明模型存在问题。
4. 结果报告与可视化
完成分析后，我们需要专业地呈现结果：
4.1 结果表格制作
esttab using did_results.rtf, replace /// b(3) se(3) star(* 0.1 ** 0.05 *** 0.01) /// stats(N r2, fmt(0 3)) /// title("DID估计结果")4.2 系数可视化
coefplot, /// keep(pre_* current time_*) /// vertical /// yline(0) xline(4, lp(dash)) /// title("平行趋势检验结果")报告撰写要点：
- 明确说明数据来源和样本范围
- 详细描述变量构建方法
- 报告基准回归结果和稳健性检验
- 讨论政策效应的实际意义而非仅统计显著性
5. 高级应用与问题排查
当基础DID模型遇到问题时，可考虑以下解决方案：
5.1 多期DID处理
当处理时间不一致时：
gen t = 0 replace t=1 if year >= treatime // treatime记录每个个体的实际处理时间 gen did = treated*t5.2 三重差分（DDD）
当平行趋势假设不满足时：
gen did_y = did*y_bin // y_bin是另一个影响因素 gen time_y = time*y_bin gen treated_y = treated*y_bin * 方法1：回归法 reg y time treated y_bin did time_y treated_y did_y, r * 方法2：diff命令 diff y, t(treated) p(time) ddd(y_bin)常见问题排查清单：
- 检查数据结构是否为面板格式
- 验证关键变量生成逻辑是否正确
- 确认样本量在添加变量后没有异常减少
- 检查核心系数的大小是否合理
在实际分析中，我发现很多初学者容易忽视平行趋势检验的重要性。有一次分析教育政策效果时，基准DID结果显示显著正效应，但平行趋势检验发现处理组和对照组在政策前就存在趋势差异，这意味着我们需要更谨慎地解释结果，或者考虑使用三重差分等更复杂的方法。
