DID与DDD模型在政策评估中的差异：以SO2排放数据为例

政策评估领域的研究者们常常面临一个关键选择：究竟该使用双重差分法(DID)还是三重差分法(DDD)？这两种方法看似相似，但在实际应用中却可能得出截然不同的结论。本文将通过SO2排放政策数据的实证分析，揭示这两种模型的本质差异及其对研究结果的实质性影响。

1. 方法论基础：理解DID与DDD的核心差异

DID(双重差分法)作为政策评估的黄金标准，其核心思想是通过比较处理组和对照组在政策实施前后的变化差异来估计政策效应。这种方法依赖于一个关键假设——共同趋势假设，即如果没有政策干预，处理组和对照组的结果变量会按照相同的趋势变化。

然而现实世界往往比理论假设复杂得多。当处理组和对照组本身就存在不同的时间趋势时，DID估计就会产生偏差。这正是DDD(三重差分法)的用武之地。DDD通过在传统DID基础上增加第三重差分，能够有效控制组间时间趋势的差异。

举个直观的例子：

• 假设我们研究某地区SO2排放政策对企业生产率的影响
• 传统DID会直接比较政策地区与非政策地区企业的生产率变化
• 但如果政策地区企业本就具有与非政策地区不同的增长趋势，DID结果就会失真
• DDD则进一步引入不受政策影响的行业作为参照，通过三重差分消除趋势差异

2. 实证对比：SO2排放政策数据的估计结果差异

我们使用中国上市企业的面板数据，分别应用DID和DDD模型评估SO2排放权交易试点政策对企业全要素生产率(TFP)的影响。以下是关键估计结果的对比：

注意：表格数据来源于实际回归结果，所有系数均已通过常规显著性检验

从结果可以看出，DDD估计的政策效应(0.187)明显高于DID估计(0.124)，差异幅度达到50.8%。这种差异绝非偶然，而是反映了两种方法在控制混淆因素能力上的本质区别。

3. 为什么DDD估计结果通常更高？三大机制解析

3.1 控制额外混杂趋势的能力

DID假设处理组和对照组在政策前具有平行趋势，但现实中这一假设常常被违背。在我们的SO2排放案例中：

* 平行趋势检验代码示例 xtreg lntfp i.year#i.treat if post==0, fe cluster(area) testparm i.year#i.treat

当平行趋势检验被拒绝时，继续使用DID会导致估计偏差。DDD通过引入第二对照组，能够有效控制这种非平行趋势，从而得到更准确的估计。

3.2 对照组选择偏误的校正

传统DID对对照组的选择非常敏感。在我们的研究中：

• DID对照组：非政策地区的所有企业
• DDD对照组：非政策地区的非SO2排放企业

后者更能确保对照组真正不受政策影响，避免了"污染对照组"问题。

3.3 时间异质性效应的捕捉

政策效果往往不是立即显现，而是随时间动态变化。DDD模型通过更灵活的三重交互项设定，能够更好地捕捉这种动态效应：

* DDD动态效应模型设定 xi: reg lntfp c.treat#c.post#i.year zcsy lf age owner sczy lnaj lnlabor lnzlb /// i.year i.area i.ind if so2==1, cluster(area)

4. 实践指南：如何选择适当的模型

面对具体研究问题时，研究者应该如何在这两种方法间做出选择？以下决策框架可供参考：

1. 平行趋势检验

   • 通过可视化分析和统计检验评估平行趋势假设
   • 若假设成立，优先考虑DID
   • 若假设被拒绝，转向DDD

2. 数据可获得性

   • DID要求：处理组+对照组，政策前后数据
   • DDD额外要求：第二对照组(不受政策影响组)

3. 研究问题复杂度

   • 单一政策效应：DID通常足够
   • 多政策叠加或复杂情境：考虑DDD

4. 结果稳健性检查

   • 无论选择哪种方法，都应进行广泛的稳健性检验
   • 包括但不限于：安慰剂检验、不同对照组选择、模型设定变化等

5. 操作实务：Stata实现代码详解

为帮助研究者实际应用这些方法，我们提供完整的Stata实现代码，并附详细注释：

5.1 基础DID模型

* 基础DID模型设定 use "tfp_data.dta", clear xtset company year * 标准DID回归 reg lntfp treat##post zcsy lf age owner sczy lnaj lnlabor lnzlb /// i.year i.area i.ind, cluster(area) * 固定效应DID xtreg lntfp treat##post zcsy lf age owner sczy lnaj lnlabor lnzlb /// i.year, fe cluster(area)

5.2 完整DDD模型

* 完整DDD模型设定 use "tfp_DDD.dta", clear * OLS估计 reg lntfp treat##post##so2 zcsy lf age owner sczy lnaj lnlabor lnzlb /// i.year i.area i.ind, cluster(area) * 固定效应估计 xtreg lntfp treat##post##so2 zcsy lf age owner sczy lnaj lnlabor lnzlb /// i.year, fe cluster(area) * 边际效应分析 margins, dydx(treat) at(post=(0 1)) over(so2) marginsplot, xdim(post)

5.3 结果输出与可视化

* 结果输出 outreg2 using DID_DDD_compare, word replace /// keep(treat#post treat#post#so2) /// addtext(Year FE, YES, Industry FE, YES, Area FE, YES) /// label dec(3) * 平行趋势图 coefplot, vertical keep(*treat#*) /// xline(3.5, lpattern(dash)) /// ytitle("Coefficient") title("Parallel Trend Test")

在实际分析SO2排放政策对企业生产率影响的项目中，我们发现DDD估计结果比DID高出约50%。这一差异主要源于政策地区企业本就具有比非政策地区更快的生产率增长趋势。如果不通过DDD控制这一固有差异，就会严重低估政策效果。这也解释了为什么在类似环境政策评估中，越来越多的研究开始转向DDD框架。