Python计算双重差分模型DID及其对应P值使用详解

1. DID（Differences-in-Differences）定义

双重差分法主要应用于社会学领域的政策效果评估。该方法依赖于两个「差异」数据：一是干预前后自身的「差异」，二是干预组与对照组之间的「差异」。DID通过计算这两个「差异」的差值来推断干预的实际效果，因此得名双重差分法。

其原理基于反事实框架，评估政策发生与未发生时观测因素y的变化。若外生政策冲击将样本分为受干预的Treat组和未受干预的Control组（且政策前两组y无显著差异），则可将Control组在政策前后的y变化视为Treat组未受冲击时的反事实状态。通过比较Treat组y的变化(D1)与Control组y的变化（D2），即可得出政策冲击的实际效果(DD=D1-D2)。

注意：仅在满足“政策冲击前Treat组和Control组的y没有显著差异”（即平行性假定）的条件下，所得的双重差分估计量才是无偏的。

如下图所示：

设干预组实验前为A1，实验后为A2；对照组实验前为B1，实验后为B2。干预组实验前后差异为A2-A1，对照组实验前后差异为B2-B1。两者之差（A2-A1）-（B2-B1）即为DID结果，代表因果效应或处理效应，如图中所示部分。

2. DID模型形式

为分组虚拟变量（处理组=1，控制组=0）；

为分期虚拟变量（政策实施后=1，政策实施前=0）；

交互项 表示处理组在政策实施后的效应，其系数即为双重差分模型重点考察的处理效应。

3. OLS多项式拟合

根据DID公式，可通过多项式拟合方法求得DID及其P值。以下为Python实现方法：使用statsmodels库中的ols方法，需按上述公式准备数据。其中t代表时间（干预前=0，干预后=1），g代表分组（干预组=1，对照组=0），以及交叉项tg（计算t*g即可）。

代码如下：

import statsmodels.formula.api as smf
import pandas as pd
v1 =[0.367730,0.377147,0.352539,0.341864,0.29276,0.393443,0.374697,0.346989,0.385783,0.307801]
t1 = [0,0,0,0,1,0,0,0,0,1]
g1 =[1,1,1,1,1,0,0,0,0,0]
tg1 = [0,0,0,0,1,0,0,0,0,0]
aa = pd.DataFrame({'t1':t1,'g1':g1,'tg1':tg1,'v1':v1})
X = aa[['t1', 'g1','tg1']]
y = aa['v1']
est = smf.ols(formula='v1 ~ t1 + g1 + tg1', data=aa).fit() 
y_pred = est.predict(X)
aa['v1_pred'] = y_pred
print(aa)
print(est.summary()) 
print(est.params) 

准备数据格式如下：

OLS结果Summary如下：

交叉项的系数即为DID结果（处理效应）。P>| t |为其P值，若小于0.05则表示差异显著。

参考资料：

1. 双重差分法(DID)入门必看 - 知乎

2. 什么是双重差分模型（：difference-in-differences model）？ - 知乎

3. Python 普通最小二乘法(OLS)进行多项式拟合的方法

以上就是Python计算DID及其对应P值使用详解的详细内容，更多关于Python计算DID及对应P值的资料请关注本站其它相关文章！