随机实验与自然实验--双重差分法和三重差分法

**注记：**山东大学陈强教授《高级计量经济学及Stata应用》(第二版)第18章学习笔记！
双重差分法
在做随机实验或自然实验时，实验的效果往往需要一段时间才能显现出来，而我们关心的恰恰是被解释变量试验前后的变化。为此，考虑两期面板数据：

（注：面板数据是一个m*n的数据矩阵，记录的是n个时间节点上m个对象的某一数据指标
）

$$y_{it}+\alpha +\gamma D_t+\beta x_{it}+u_i+{\epsilon }_{it}$$ $$(i=1,...,n;t=1,2)$$
其中$D_t$为试验期虚拟变量，$u_i$为不可观测的个体特征，$x_{it}$为政策虚拟变量(policy dummy)。
前戏做足，重点到了，因此，当t=1时（第一期），实验组与控制组并没有受到任何不同对待，所以政策虚拟变量$x_{it}$都等于0。当t=2时（第二期），实验组$x_{it}=1$,而控制组$x_{it}$依然等于0。如果该实验未能完全地随机化（eg：观测数据）,则$x_{it}$可能与被遗漏的个体特征$u_i$相关，从而导致OLS(Ordinary Least Square)估计不一致。由于是面板数据，可以对上述方程进行一阶差分，目的在于消除$u_i$，
$$\Delta y_i=\gamma +\beta x_{i2}+\Delta {\epsilon }_i$$
用OLS估计上式，即可得到一致估计，
$${\hat{\beta }}_{OLS}=\Delta {\bar{y}}_{treat}-\Delta {\bar{y}}_{control}=({\bar{y}}_{treat,2}-{\bar{y}}_{treat,1})-({\bar{y}}_{control,2}-{\bar{y}}_{control,1})$$
因此，这个估计法称为“双重差分估计量”（Difference in Difference estimator, DD)，记为${\hat{\beta }}_{DD}$，即实验组的平均变化与控制组的平均变化之差。

三重差分法

双重差分法的隐含假设是，即使没有政策变化，控制组与实验组的是件趣事也一样。然而如果控制组与实验组的是件趣事不同，便无法得到对试验效应的一致估计，此时，需要进一步改进双重差分估计量。
(Difference in Difference in Difference estimator, DDD)

观测数据的处理效应
在许多情况下，并没有随机实验或自然实验的数据，而只有观测数据，这是非常糟糕的。通常会存在self selection（自我选择），无法得到一直的估计。这需要学习断点回归设计(Regression Discontinuity Design,RDD)。