政策评估避坑指南：为什么你的多期DID结果不显著？CSDID方法选择与Stata操作详解

关注

VIP免费原创最新推荐文章于 2026-10-02 16:18:12 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

“傻瓜”学计量——双重差分DID3（多期双重差分原理+解决方案CSDID原理）阅读详情

政策评估避坑指南：为什么你的多期DID结果不显著？CSDID方法选择与Stata操作详解

你是否曾满怀信心地构建了一个多期双重差分模型，试图评估一项分批次实施的政策效果，但最终Stata输出的结果却是一片“星星”（不显著）？或者，你发现核心处理效应的系数符号飘忽不定，甚至与理论预期完全相反？这可能是许多应用计量研究者，尤其是正在撰写毕业论文或学术论文的学者，都会遇到的典型困境。问题的根源往往不在于数据本身，而在于我们可能误用了传统的双向固定效应模型来应对“异质性处理时间”这一复杂场景。本文将从一个实践者的角度出发，深入剖析传统多期DID的潜在陷阱，并手把手带你掌握其现代解决方案——CSDID方法的核心思想与Stata实操。我们的目标不是复述教科书理论，而是像一位同行在分享“踩坑”经验一样，为你提供一套清晰、可落地的分析框架。

1. 理解多期DID的“阿喀琉斯之踵”：为何传统TWFE可能失灵

在政策评估的黄金标准中，双重差分法因其直观和有效而备受青睐。经典的双时点DID设定清晰：一个政策在某个时点对所有处理组个体同时实施。此时，我们使用包含个体和时间的双向固定效应模型进行估计，通常能得到一致的处理效应估计量。然而，现实世界中的政策，如区域试点改革、阶梯式税收优惠、分批次的补贴发放，往往是在不同时间点陆续推行的。这就是所谓的“多期DID”或“异质性处理时间DID”问题。

起初，研究者很自然地会将经典DID模型扩展为 Y_it = α_i + λ_t + β D_it + ε_it，其中 D_it 在个体i在时间t接受处理后取1，否则为0。这个模型被称为双向固定效应模型。在很长一段时间里，它被广泛应用于多期场景。但近年来的前沿研究（如Goodman-Bacon, 2021; Callaway & Sant‘Anna, 2021）尖锐地指出，在存在异质性处理效应（即处理效应随时间或个体组别不同而变化）的情况下，TWFE估计量可能不再可靠。

它的问题主要出在两个方面：

“负权重”问题：TWFE模型本质上是许多“两时期-两分组”DID比较的加权平均。但在多期设定下，这些比较不仅包括“尚未处理的组”与“早已处理的组”的对比（这是我们想要的），还包括“已经处理的组”与“更早处理的组”的对比。后者中，更早处理的组实际上扮演了“对照组”的角色，但它们的处理状态已经改变。如果处理效应是异质性的，这些比较就会给估计量引入负权重，导致估计结果有偏，甚至符号相反。
动态效应混淆：政策效果可能存在动态变化（例如，初期影响大，后期衰减）。TWFE模型试图用一个系数β来概括所有处理后的平均效应，这无法捕捉处理效应随时间演变的轨迹，也可能因为正负动态效应的抵消而导致最终结果不显著。

为了更直观地理解，我们可以看一个简化的例子。假设有两组公司，A组在2015年享受税收优惠，B组在2017年享受。在估计2017年政策对B组的效应时，一个潜在的比较对象是2015年已处理的A组。如果A组在2017年依然受益于政策（处理效应持续），那么用它作为B组的“对照组”显然是不合适的，这会稀释或扭曲对B组处理效应的估计。