因果推断丨双重差分法

最近在工作中，遇到一个场景，在可能存在多种影响原因的情况下，怎样测算出某一个原因对结果的影响。

通过请教得知因果推断模型就是主要解决我所遇到的这类问题，故对其中双重差分法总结

双重差分法DID（difference-in-differences）：

概述：

自然实验是通过观察实验和外生冲击，找到类似随机对照实验的环境，而日常事件自然灾害，政策制定等很难找到可 视为自然实验的环境，所以Heckman等1985年提出双重差分法，最早将该方法用于公共政策效应评估。

基本思想：

双重差分法可以理解为对随机分配实验的一种模拟，在没有随机实验的情况下去验证因果关系。

实现步骤：

1. 分组：对于一个自然实验，其将全部的样本数据分为两组：一组是受到干预影响，即实验组；另一组是没有受到同一干预影响，即对照组；

2. 目标选定：选定一个需要观测的目标指标；

3. 第一次差分：分别对在干预前后进行两次差分（相减）得到两组差值，代表实验组与对照组在干预前后分别的相对关系；

4. 第二次差分：对两组差值进行第二次差分，从而消除实验组与对照组原生的差异，最终得到干预带来的净效应。

案例：

假设一家珠宝店在2014年期间没有投放广告，期间的销售额为1000万元，，而2015年投放了100万元广告，销售额为1400万元，收益增加300万元。

那么我们是否可以将这300万元，全部归因于广告带来的收益呢？

不知道你心里是否和我一样总感觉差点什么，其实是实验前后侧无法证明广告与销售额之间的因果关系，因为这个模型太简单了，有很多因素都没有考虑进去。

因素一：这种方法没能考虑到随时间产生的自然变化“趋势”所造成的影响

因素二：“回归平均”的可能性，这是一种统计学现象，在不断收集数据的过程中，偶尔出现一个极端值后，数据会逐渐回归到通常的水平

......

那么怎样消除除了是否投入广告之外的其他影响因素呢？

1.分组：

在受到干预的组（干预组）中，设干预前的结果为A1，干预后的结果为A2；然后在未受到干预的组（对照组）中，设干预前的结果为B1，干预后的结果为B2。

干预组的前后比较（A2-A1）和对照组的前后比较（B2-B1）之间的差（A2-A1）-（B2-B1），即为用双重差分法推算出的干预效果。

从A1到A2的线代表事实（投放广告后的结果），从B1到B2的线代表反事实（如果投放广告的店铺未曾投放广告会产生什么结果）。

从干预组的前后差异A2-A1中减去对照组的前后差异B2-B1，这种方法排除了“趋势”的影响，所以能够准确地推算出因果效应。

2.目标选定

最终测算广告对销售额的影响，所以以销售额作为目标。

3.差分

假设在全国所有店铺中，A地区的店铺在2015年投放了广告，而B地区的店铺在同一时期没有投放广告。B地区店铺2014年12月的销售额为600万元，2015年12月的销售额为800万元。

投放了广告的A地区店铺2015年的销售额相比2014年增长了400万元，而没有投放广告的B地区店铺销售额增长了200万元（800万元-600万元）。两地区的销售额涨幅的差200万元（400万元-200万元），即为双重差分法得出的干预的因果效应。

即使广告投放成本为100万元，投放广告也能为店铺带来100万元（200万元-100万元）的额外收益。

使用条件：
双重差分法成立的两个前提条件

1.干预组和对照组在投放广告之前的销售额趋势平行

2.受到干预期间没有出现影响销售额的其他变化。

参考：《原因与结果的经济学》