因果推論與機器學習
差異中的差異(difference-in-differences)
當一項政策衝擊了某一組、卻沒衝擊另一組,而你又有事前與事後的資料,你就能讓每一組充當另一組的部分控制。差異中的差異減了兩次:先用『事後比事前』移除各組固定的水準差異,再用『處置組的變化比控制組的變化』移除共同的時間趨勢。在一個關鍵假設下,挺過這兩次相減後剩下的,就是因果效應。
其估計目標是『處置組的事後減事前變化』減去『控制組的事後減事前變化』。其有效性奠基於平行趨勢假設:若沒有處置,兩組的結果本會同步移動,因此控制組的變化可代替處置組缺失的反事實趨勢。經典的二乘二情形可推廣為帶有個體與時間虛擬變數的雙向固定效果迴歸,這是應用計量經濟學的主力實作。
平行趨勢是這個方法的靈魂,也是它的軟肋;它本質上無法檢驗,雖然處置前的趨勢能提供旁證式的支持。近期一波計量經濟學研究顯示,在效應異質的交錯採用(staggered adoption)下,簡單的雙向固定效果估計量會嚴重失常,因為已受處置的個體被當成了控制組,這促成了能明確處理處置時點的新估計量。
\widehat{\mathrm{DiD}} = \big(\bar Y^{post}_{T} - \bar Y^{pre}_{T}\big) - \big(\bar Y^{post}_{C} - \bar Y^{pre}_{C}\big)
估計值是處置組的事前到事後變化減去控制組的,藉此消去固定水準與共同趨勢。
又稱
另見