摘要
与随机分配被试的现场实验不同,随机分配处理的自然实验无法保证处理组与对照组在其他方面不存在系统性差异。如何有效清除这种系统性差异对处理效应的"污染",是利用自然实验识别因果效应的核心问题。作为自然实验因果效应识别的一大基础性方法,DID方法的一种识别策略是,基于共同/平行趋势假设,将"处理组在处理发生前后的结果差异"与"对照组在处理发生前后的结果差异"的差作为处理效应的估计值。对DID方法模型化处理的一般化模型是双向固定效应模型,而一阶差分模型与最常见的经典DID模型,都只是一般化模型应用于两期面板数据的两个特例。
