【Python实战因果推断】34_双重差分5

目录

Identification Assumptions

Parallel Trends

No Anticipation Assumption and SUTVA

---

Identification Assumptions

您现在可能已经知道，因果推断是统计工具和假设之间的不断互动。在本文中，我选择从统计工具入手，展示 DID 如何利用单位和时间关系来估计治疗效果。这给了你一个具体的例子。现在，是时候深入探讨一下，在使用 DID 时，你做出了什么样的假设，有时甚至没有意识到这一点。

Parallel Trends

在本书之前的章节中，在处理横截面数据时，一个关键的识别假设是干预与潜在的结果无关，以观察到的协变量为条件。DID 有一个类似但较弱的假设：平行趋势。

仔细想想，DID 估计器在利用时间和单位相关性方面是非常直观的。如果只有单位（没有时间维度），就必须使用对照组来估计治疗组的 。另一方面，如果有时间维度，但没有对照组（所有单位都在某个时间点接受过治疗），则必须使用接受治疗单位过去的 进行前后比较。这两种方法都需要很强的假设。您要么必须假定对照组的结果可以确定 ，这只有在治疗组和对照组具有可比性的情况下才可行（比如在 RCT 中）；要么假定治疗单位的结果是一条跨时间的平线，在这种情况下，您可以使用治疗单位过去的结果来确定 。相比之下，"差分法 "做了一个较弱的假设：在没有干预的情况下，干预组和对照组在不同时间的结果轨迹平均是相同的。它假设 的趋势是平行的：

这个假设是无法检验的，因为它包含了一个不可观测的项： 。不过，为了便于理解，我们还是暂时假设你可以观察到所有时间段的 潜在结果。在下面的图中，我用虚线表示它们。在这里，你可以看到干预和对照组四个时段的潜在结果 。此外，每幅图都有四个点，分别代表治疗组和对照组的观察数据，以及在对照组下治疗组的 DID 估计轨迹，用虚线表示。虚线与治疗组干预后结果之间的差值就是 ATT 的 DID 估计值。

而真正的 ATT 是治疗组治疗后干预结果与灰色虚线之间的差值，灰色虚线代表治疗组未观察到的 ：

在第一幅图中，估计值和实际值 相吻合。在这种情况下，平行趋势假设得到满足，DID 估计器恢复了真实 ATT。在第二幅图中，趋势趋同。对于 ，估计趋势比实际趋势陡峭。因此，DID 估计值会向下偏倚： 与估计趋势之间的差异小于  与实际但不可观测的 之间的差异。

最后，最后一幅图显示了平行趋势假设并不是规模不变的。这幅图只是将第一幅图中的数据进行对数变换，然后对结果进行对数变换。这种变换将原本平行的趋势变成了收敛趋势。我展示这幅图是为了提醒大家在使用 DID 时要非常小心。例如，如果您有水平数据，但想用百分比变化来衡量效果，那么将结果转换成百分比会扰乱您的趋势。

平行趋势假设与条件独立性假设（CIA）有另一种联系。条件独立假设指出，平均而言，治疗组和对照组的 水平是相同的，而平行趋势则指出，治疗组和对照组的 增长是相同的。这可以用您之前看到的 ΔYs 来表示：

面板数据的威力就在这里：即使干预不是随机分配的，只要干预组和对照组具有相同的反事实增长，ATT 就能被识别出来。

就像独立性假设一样，可以将平行趋势假设放宽到以协变量为条件。也就是说，给定一组干预前协变量 X， 的趋势在干预组和对照组之间是相同的。稍后将介绍如何在 DID 中纳入协变量。

No Anticipation Assumption and SUTVA

如果说平行趋势假设可以看作是独立性假设的面板数据版本，那么无预期假设则更多地与处理值稳定单位假设（SUTVA）相关。还记得当效应从干预单位溢出到对照单位（或反之亦然）时，会发生违反 SUTVA 的情况吗？那么，这里的情况是一样的，只不过是跨时间段：你不希望效果溢出到尚未干预的时间段。

如果您认为这种情况不可能发生，那么请考虑一下您正试图估计 "黑色星期五 "对手机销售的影响。如果您尝试这样做，您会发现许多商家都会预期 "黑色星期五 "的折扣，因为他们知道在 "黑色星期五 "之前的那段时间，顾客已经在购买产品了。这很可能会让你在干预（黑色星期五）发生之前就看到销售高峰。

您需要担心时间溢出效应，但这并不意味着您不需要担心单位溢出效应。古老的 SUTVA 仍然是面板数据分析中的一个大问题，尤其是当单位是一个地理区域时。这是因为人们会不断跨越地理边界，这使得干预很可能会溢出被干预单位。